PyTorch自动微分
autograd包是pytorch中所有升级网络的核心。autograd软件包为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你的后向传播,并且每次迭代都可以不同。
TENSOR
跟踪
torch.Tensor是包的核心类。如果将其属性.requires_grad
设置为True,则会开始跟踪针对tensor的所有操作。完成计算后,可以调用.backward()
来自动计算所有梯度。该张量的梯度将累积到.grad属性中。
停止跟踪
要停止tensor历史记录的跟踪,可以调用.detach()
,它将其与技术历史记录分离,并防止将来的计算被跟踪。
要停止跟踪历史记录和使用内存,还可以将代码块使用with torch.no_grad():
包装起来。在评估模型时,特别有用,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,但在评估阶段我们不需要梯度。
FUNCTION
还有一个类对于autograd实现非常重要的,是Function。Tensor和Function互相连接并构建一个非循环图,它保存真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。如果用户自己创建张量,则grad_fn
是None。
如果计算导数,可以调用Tensor.backward()
。如果tensor是标量(包含一个元素数据),则不需要制定任何参数backward(),但是如果它有更多的元素,则需要指定一个gradient参数来指定张量的形状。
例子
import torch
创建一个张量,设置requires_grad=True来跟踪与它相关的计算
x = torch.ones(2, 2, requires_grad=True)
print(x)
输出
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
针对张量做一个操作
y = x + 2
print(y)
输出
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
y作为操作的结果被创建,所以它有grad_fn
print(y.grad_fn)
输出
<AddBackward0 object at 0x7fe1db427470>
针对y做更多的操作
z = y * y * 3
out = z.mean()
print(z, out)
输出
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
.requires_grad_(…)会改变张量的requires_grad标记。输入的标记默认为False,如果没有提供相应的参数。
a = torch.randn(2, 2)
a = ((a * 3)/(a -1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a*a).sum()
print(b.grad_fn)
输出
False
True
<SumBackward0 object at 0x7fe1db427dd8>
梯度
现在后向传播,因为输出包含了一个标量,out.backward()
等同于out.backward(torch.tensor(1.))
。
out.backward()
打印梯度d(out)/dx
print(x.grad)
输出
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
雅可比例子
x = torch.randn(3, requires_grad=True)
y = x*2
while y.data.norm()<1000:
y = y*2
print(y)
输出
tensor([ -444.6791, 762.9810, -1690.0941], grad_fn=<MulBackward0>)
现在在这种情况下,y不再是一个标量。torch.autograd不能够直接计算整个雅可比,但是如果我们只要雅可比向量积,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)
输出
tensor([1.0240e+02, 1.0240e+03, 1.0240e-01])
停止跟踪例子
可以通过将代码包裹在with torch.no_grad()
,来停止对从跟踪历史中的.requires_grad=True
的张量自动求导。
print(x.requires_grad)
print((x**2).requires_grad)
with torch.no_grad():
print((x**2).requires_grad)
输出
True
True
False
更详细的可以访问: https://pytorch.org/docs/autograd
上一篇: Spring Bean 纯注解开发
下一篇: Spring框架纯注解开发