昇思25天学习打卡营第6天|函数式自动微分

        神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。

        本章主要讲MindSpore中自动微分接口grad和value_and_grad的使用。

函数与计算图：

        如下图，构建基于一般图计算的计算函数和神经网络模型。

import numpy as np
import mindspore
from mindspore import nn
from mindspore import ops
from mindspore import Tensor, Parameter

x = ops.ones(5, mindspore.float32)  # input tensor
y = ops.zeros(3, mindspore.float32)  # expected output
w = Parameter(Tensor(np.random.randn(5, 3), mindspore.float32), name='w') # 权重值
b = Parameter(Tensor(np.random.randn(3,), mindspore.float32), name='b') # 偏置值

## 构建图计算函数
def function(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss

loss = function(x, y, w, b)
print(loss)

微分函数与梯度计算：

        调用mindspore.grad函数，来获得function的微分函数。

这里使用了grad函数的两个入参，分别为：

• fn：待求导的函数。
• grad_position：指定求导输入位置的索引。

grad_fn = mindspore.grad(function, (2, 3))
## 获得w，b对应梯度
grads = grad_fn(x, y, w, b)
print(grads)

Stop Gradient：

        用于实现对某个输出项的梯度截断，或消除某个Tensor对梯度的影响。

## 定义loss，z两个返回参数
def function_with_logits(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss, z

grad_fn = mindspore.grad(function_with_logits, (2, 3), has_aux=True)
grads, (z,) = grad_fn(x, y, w, b)
print(grads, z)

## 定义截断z的函数
def function_stop_gradient(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss, ops.stop_gradient(z)

grad_fn = mindspore.grad(function_stop_gradient, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)

        可以看到多参数造成的梯度影响，在截断z后，求导结果恢复。

Auxiliary data：

        辅助数据，是函数除第一个输出项外的其他输出。通常我们会将函数的loss设置为函数的第一个输出，其他的输出即为辅助数据。grad和value_and_grad提供has_aux参数，当其设置为True时，可以自动实现前文手动添加stop_gradient的功能，满足返回辅助数据的同时不影响梯度计算的效果。

grad_fn = mindspore.grad(function_with_logits, (2, 3), has_aux=True)
grads, (z,) = grad_fn(x, y, w, b)
print(grads, z)

        输出z的同时，梯度计算结果不受影响。

神经网络梯度计算：

        利用函数式自动微分来实现反向传播。

## 定义神经网络模型
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.w = w
        self.b = b

    def construct(self, x):
        z = ops.matmul(x, self.w) + self.b
        return z

## 实例化模型和损失函数
model = Network()
loss_fn = nn.BCEWithLogitsLoss()

## 定义前向函数
def forward_fn(x, y):
    z = model(x)
    loss = loss_fn(z, y)
    return loss

## 获得微分函数
grad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params())

## 求损失值和梯度
loss, grads = grad_fn(x, y)
print(grads)

        可见与前面function梯度求值一致。