深度学习Pytorch（二）——自动微分_torch.tensor.grad自动微分

深度学习Pytorch（二）——自动微分

一、简介

antograd包是Pytorch中所有神经网络的核心。autograd为Tensor上的所有操作提供自动微分，它是一个由运行定义的框架，这意味着以代码运行方式定义后向传播，并且每一次迭代都可能不同

二、TENSOR

torch.Tensor是包的核心。

1. 如果将属性.requires_grad设置为True,则会开始跟踪针对tensor的所有操作。
2. 完成计算之后，可以调用backward()来自带计算多有梯度。该张量的梯度将积累到.grad属性中。
3. 要停止tensor历史记录的跟踪，可以调用.detach()，他将与计算历史记录分离，并防止将来的计算被跟踪
4. 要停止跟踪历史记录（和使用内存），可以将代码块使用with torch.no_grad():包装起来。在评估模型时候，很有用，因为模型在训练阶段具有requires_grad=True的可训练参数有利于调参，但是在评估阶段不需要梯度
5. 还有一个对于autograd实现非常重要的就是Function。tensor和Function互相连接并构建一个肺循环图，他保存整个完整的计算过程的历史信息。每个张量都有一个.grad_fn属性保存着创建了张量的Function的引用（如果用户自己创建的张量，那么grad_fn是None）
6. 如果想计算导数，可以调用Tensor.backward().如果Tensor是标量（包含一个元素数据）则不需要指定任何参数backward(),但是如果他有更多元素，则需要指定gradient参数来指定张量的形状

import torch
# 创建一个张量，设置requires_grad=True
x=torch.ones(2,2,requires_grad=True)
print(x)
# 针对张量操作
y=x+2
print(y)
print(y.grad_fn)#y作为操作的结果被创建，所以他有grad_fn

# 对y操作
z=y*y*3
out=z.mean()
print(z,out)
1
2
3
4
5
6
7
8
9
10
11
12
13

运行结果

# 如果在变量输入过程中没有提供相应参数，输入的标记默认为False,requires_grad_()会改变张量的requires_grad标记
a=torch.randn(2, 2)
a=((a*3)/(a-1))
# 前面没有设置requires_grad，固会输出False
print(a.requires_grad)
a.requires_grad_(True)
# 经过上面语句的更改之后，此处应该输出True
print(a.requires_grad)
b=(a*a).sum()
# 输出梯度信息
print(b.grad_fn)
1
2
3
4
5
6
7
8
9
10
11

运行结果

三、梯度

现在向后传播，因为输出包含了一个标量，out,backward()等同于out.backward(torch.tensor(1,))

out.backward()#向后传播
print(x.grad)#打印梯度
1
2

运行结果

原理

四、Example——雅克比向量积

# 雅克比向量积
x=torch.randn(3,requires_grad=True)
y=x*2
print(y)
while y.data.norm()<1000:
    y=y*2
print(y)#此时y不是标量，torch.autograd 不能够直接计算整个雅可比，但是如果我们只想要雅可比向量积，只需要简单的传递向量给 backward 作为参数
v=torch.tensor([0.1,1.0,0.0001],dtype=torch.float)
y.backward(v)
print(x.grad)

print(x.requires_grad)
print((x**2).requires_grad)
# 使用一下语句停止从跟踪历史中.require_gra=True的张量自动求导
with torch.no_grad():
    print((x**2).requires_grad)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

运行结果

明天见呀~