07 自动求导

# 对函数 y=2X^(T)X 关于列向量X求导
import torch

x = torch.arange(4.0)
x

tensor([0., 1., 2., 3.])

# 存储梯度
x.requires_grad_(True)
x.grad # 默认值是None

y = 2 * torch.dot(x, x)
y

tensor(28., grad_fn=<MulBackward0>)

y.backward()
x.grad

tensor([ 0.,  4.,  8., 12.])

x.grad == 4 * x 

tensor([True, True, True, True])

# 在默认情况下，PyTorch会累积梯度，我们需要清除之前的值
x.grad.zero_()
y = x.sum()
y.backward()
x.grad

tensor([1., 1., 1., 1.])

# 深度学习中，我们的目的不是计算微分矩阵，而是批量中每个样本单独计算的偏导数之和
x.grad.zero_() # 梯度清零
y = x * x  # x是向量，y是向量，向量的函数
x, y  # tensor(【0., 1., 2., 3.】, requires_grad=True),    tensor(【0., 1., 4., 9.】, grad_fn=MulBackward0)
y.sum().backward() # 等价于y.backward(torch.ones(len(x)))
x.grad

tensor([0., 2., 4., 6.])

x = torch.arange(4.0,requires_grad=(True))

x.grad.zero_() # 梯度清零

y = x * x # y 求和后变成标量14，似乎torch无法对向量求导

y.sum().backward() #y.sum()实现的是 y = x1²+x2²+x3²

print(x.grad==2*x) # backward()实现的是dy/dx1=2x1…

# 将某些计算移动到记录的计算图之外
x.grad.zero_()
y = x * x
u = y.detach() # 从计算图中分离，也就是说无法再对低层的变量进行反向传播求导了 u不再是x的函数
# 使用的场景：loss求导，反向传播 （目前未了解）
z = u * x

z.sum().backward()
x.grad == u

tensor([True, True, True, True])

x.grad.zero_()
y.sum().backward()
x.grad == 2 * x

tensor([True, True, True, True])

# 即使构建函数的计算图需要通过Python控制流（例如，条件、循环、或任意函数调用），我们仍然可以计算得到的变量的梯度
def f(a):
    b = a * 2
    while b.norm() < 1000:
        b = b * 2
    if b.sum() > 0:
        c = b
    else:
        c - 100 *  b
    return c

a = torch.randn(size=(), requires_grad=True)
d = f(a)
d.backward()

a.grad == d / a

tensor(True)