# 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)