自動微分是一種計算張量（tensors）的梯度（gradients）的技術，它在深度學習中非常有用。自動微分的基本思想是：

• 自動微分會記錄數(shù)據(jù)（張量）和所有執(zhí)行的操作（以及產(chǎn)生的新張量）在一個由函數(shù)（Function）對象組成的有向無環(huán)圖（DAG）中。在這個圖中，葉子節(jié)點是輸入張量，根節(jié)點是輸出張量。通過從根節(jié)點到葉子節(jié)點追蹤這個圖，可以使用鏈式法則（chain rule）自動地計算梯度。

• 在前向傳播（forward pass）中，自動微分同時做兩件事：
  • 運行請求的操作來計算一個結果張量，以及
  • 在 DAG 中保留操作的梯度函數(shù)。
  • 在 DAG 中保留操作的梯度函數(shù)，這就是說，當你給自動微分一個張量和一個操作，它不僅會計算出結果張量，還會記住這個操作的梯度函數(shù)，也就是這個操作對輸入張量的導數(shù)。例如，如果你給自動微分一個張量 x = [1, 2, 3] 和一個操作 y = x + 1，它不僅會計算出 y = [2, 3, 4]，還會記住這個操作的梯度函數(shù)是 dy/dx = 1，也就是說，y 對 x 的導數(shù)是 1。這樣，當你需要計算梯度時，自動微分就可以根據(jù)這個梯度函數(shù)來計算出結果張量對輸入張量的梯度。
• 在PyTorch中，DAG是動態(tài)的。需要注意的一點是，圖是從頭開始重新創(chuàng)建的;在每個 .backward() 調(diào)用之后，autograd開始填充一個新的圖。
• 后向傳播開始于當在 DAG 的根節(jié)點上調(diào)用 .backward() 方法。這個方法會觸發(fā)自動微分開始計算梯度。
• 自動微分會從每個 .grad_fn 中計算梯度，這個 .grad_fn 是一個函數(shù)對象，它保存了操作的梯度函數(shù)。例如，如果一個操作是 y = x + 1，那么它的 .grad_fn 就是 dy/dx = 1。
• 自動微分會將計算出的梯度累加到相應張量的 .grad 屬性中，這個 .grad 屬性是一個張量，它保存了結果張量對輸入張量的梯度。例如，如果一個結果張量是 y = [2, 3, 4]，那么它的 .grad 屬性就是 [1, 1, 1]，表示 y 對 x 的梯度是 1。
• 使用鏈式法則（chain rule），自動微分會一直向后傳播，直到到達葉子張量。鏈式法則是一種數(shù)學公式，它可以將復合函數(shù)的梯度分解為簡單函數(shù)的梯度的乘積。例如，如果一個復合函數(shù)是 z = f(g(x))，那么它的梯度是 dz/dx = dz/dg * dg/dx。

 
import torch
import torch.nn as nn
M = nn.Linear(2, 2) # neural network module
M.eval() # set M to evaluation mode
with torch.no_grad(): # disable gradient computation
    for param in M.parameters(): # loop over all parameters
        param.fill_(1) # fill the parameter with 1
M.requires_grad_(False)
a = torch.tensor([1., 2.], requires_grad=True) # leaf node
b = torch.tensor([13., 32.], requires_grad=True) # leaf node
c = M(a) # non-leaf node
c2 = M(b) # non-leaf node
d = c * 2  # non-leaf node
d.sum().backward() # compute gradients
print(a.grad)
print(b.grad)
print(c.grad)
print(d.grad)
print(M.weight.grad) # None

構建計算圖:當我們調(diào)用backward()方法時，PyTorch會自動構建從葉子節(jié)點a到損失值d.sum()的計算圖，這是一個有向無環(huán)圖，表示了各個張量之間的運算關系。計算圖中還包含了兩個中間變量c和d，它們是由a經(jīng)過M模型的前向傳播得到的。計算圖的作用是記錄反向傳播的路徑，以便于計算梯度。 計算梯度:在計算圖中，每個張量都有一個屬性grad，用于存儲它的梯度值。當我們調(diào)用backward()方法時，PyTorch會沿著計算圖按照鏈式法則計算并填充每個張量的grad屬性。由于我們只對葉子節(jié)點a的梯度感興趣，所以只有a的grad屬性會被計算出來，而中間變量c和d的grad屬性會被忽略。a的grad屬性的值是損失值d.sum()對a的偏導數(shù)，表示了a的變化對損失值的影響。 

到此這篇關于pytorch的backward()的底層實現(xiàn)邏輯的文章就介紹到這了,更多相關pytorch backward()內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論