Demo 4:反向传播 back propagation
来源:B站 刘二大人
说明:
- 视频中a = torch.Tensor([1.0]), 本文中更改为 a = torch.tensor([1.0])。两种方法都可以,详见这里
# 定义Tensor
import torch
a = torch.tensor([1.0])
a.requires_grad = True
# 打印看看数据类型
print(a)
print(a.data)
print(a.type())
print(a.data.type())
print(a.grad)
print(type(a.grad))
说明:
- w是Tensor(张量类型),Tensor中包含data和grad,data和grad也是Tensor。
- grad初始为None,调用l.backward()方法后w.grad为Tensor,故更新w.data时需使用w.grad.data。
- 如果w需要计算梯度,那构建的计算图中,跟w相关的tensor都默认需要计算梯度。
- w是Tensor, forward函数的返回值也是Tensor,loss函数的返回值也是Tensor
- 本算法中反向传播主要体现在l.backward()。调用该方法后:w.grad由None更新为Tensor类型,且w.grad.data的值用于后续w.data的更新。
- l.backward()会把计算图中所有需要梯度(grad)的地方都会求出来,然后把梯度都存在对应的待求的参数中,最终计算图被释放。
- 取tensor中的data不会构建计算图,直接取w或者l会构建计算图。
# 反向传播示例
x_ = [1.0, 2.0, 3.0]
y_ = [2.0, 4.0, 6.0]
w = torch.tensor([1.0]) # tensor定义初始值
w.requires_grad = True # 需要计算梯度
def forward(x):
return x * w # w 是tensor
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
'''
梯度现在自动计算了,不需要自己写梯度函数了
def gradient(x, y):
return 2 * x * (x * w - y)
'''
print('predict (before training)', 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_, y_):
l = loss(x, y) # l是张量, tensor在此处建立计算图,计算loss
l.backward() # 调用backward()自动计算梯度
print('\tgrad', x, y, w.grad.item())
w.data -= 0.01 * w.grad.data # 更新权重, 减去自身在这一个epoch里的梯度值
w.grad.data.zero_() # 更新之后记得把梯度值至0,不然梯度会累加
print('progress:', epoch, l.item()) # 必须用.item(), 直接用l会构建计算图,就不是取数据了
print('predict (after training)', 4, forward(4).item())
# 作业:也就是函数y = w1 *x + w2 * 2 +b 的反向传播代码
w1 = torch.tensor([1.0])
w1.requires_grad = True
w2 = torch.tensor([1.0])
w2.requires_grad = True
b = torch.tensor([1.0])
b.requires_grad = True
def forward(x):
return x * w1 + x * w2 + b
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
print('predict (before training)', 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_, y_):
l = loss(x, y) # 计算损失
l.backward() # 调用backward自动计算损失的梯度
print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item())
w1.data -= 0.01 * w1.grad.data # 前面backward之后w1就会出来梯度的数据,用学习率乘一下然后减掉就行了
w2.data -= 0.01 * w2.grad.data
b.data -= 0.01 * b.grad.data
w1.grad.data.zero_()
w2.grad.data.zero_()
b.grad.data.zero_()
print('epoch:', epoch, l.item())
print('predict (after training)', 4, forward(4).item())