深度学习框架通过自动微分来加快求导,系统会根据模型构建一个计算图,反向传播会跟踪整个计算图,填充关于每个参数的偏导数。
2.5.1 一个简单的例子
- 对函数 y = 2 x T x y=2\mathbf{x} ^{T}\mathbf{x} y=2xTx关于列向量 x x x求导
import torch
x = torch.arange(4.0)
x
- 声明需要一个地方来存储梯度
x.requires_grad_(True)
x.grad
- 正向传播计算y
y = 2 * torch.dot(x, x)
y
- 反向传播计算y关于x每个分量的梯度
y.backward()
x.grad
- 验证函数 y = 2 x T x y=2\mathbf{x} ^{T}\mathbf{x} y=2xTx关于 x x x的梯度是否为4 x x x?
x.grad == 4 * x
-梯度清零,计算另一个函数关于x的梯度
x.grad.zero_()
y = x.sum()
y.backward()
x.grad
2.5.2 非标量变量的反向传播
- 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关于self的梯度。
x.grad.zero_()
y = x * x
y.backward(torch.ones(len(x)))
#等价于y.sum().backward()
x.grad
2.5.3 分离计算
- 使用.detach()函数将某些计算移动到计算图之外
x.grad.zero_()
y = x * x
u = y.detach()
z = u * x
z.sum().backward()
x.grad == u
- 计算y关于x的导数
x.grad.zero_()
y.sum().backward()
x.grad == 2 * x
2.5.4 Python控制流的梯度计算
即使构建函数的计算图需要通过Python控制流,我们仍然可以计算得到变量的梯度。
- 使用while循环语句和if条件语句定义函数f(a)
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
- 使用反向传播计算梯度
a = torch.randn(size = (), requires_grad = True)
d = f(a)
d.backward()
- 验证梯度是否正确
a.grad == d / a