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