李沐《动手学深度学习》课程笔记：07 自动求导

目录

07 自动求导

1.自动求导

2.自动求导实现

---

07 自动求导

1.自动求导

 

2.自动求导实现

# 假设我们想对函数y = 2xTx 关于列向量x求导
import torch

x = torch.arange(4.0)
print(x)

# 在计算y关于x的梯度之前，我们需要一个地方来存储梯度
x.requires_grad_(True)
g1 = x.grad
print(g1)

# 现在让我们计算y
y = 2 * torch.dot(x, x)
print(y)

# 通过调用反向传播函数来自动计算y关于x每个分量的梯度
y.backward()
g2 = x.grad
print(y)
print(g2)
print(x.grad == 4 * x)

# 现在让我们计算x的另一个函数
# 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()
g3 = x.grad
print(y)
print(g3)

# 在深度学习中，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
# 对非标量调用'backward'需要传入一个'gradient'参数，该参数指定微分函数
x.grad.zero_()
y = x * x

# 等价于y.backward(torch.ones(len(x))
y.sum().backward()
g4 = x.grad
print(y)
print(g4)

# 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()
z = u * x

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

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


# 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()

print(a)
print(a.grad == d / a)
print(d)
    

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

None

tensor(28., grad_fn=<MulBackward0>)

tensor(28., grad_fn=<MulBackward0>)
tensor([ 0.,  4.,  8., 12.])
tensor([True, True, True, True])

tensor(6., grad_fn=<SumBackward0>)
tensor([1., 1., 1., 1.])

tensor([0., 1., 4., 9.], grad_fn=<MulBackward0>)
tensor([0., 2., 4., 6.])

tensor([True, True, True, True])
tensor([ 0.,  1.,  8., 27.], grad_fn=<MulBackward0>)

tensor([True, True, True, True])
tensor([0., 1., 4., 9.], grad_fn=<MulBackward0>)

tensor(0.0472, requires_grad=True)
tensor(True)
tensor(1548.0416, grad_fn=<MulBackward0>)