欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

计算图,动态图与静态图

程序员文章站 2024-01-19 15:32:22
...

计算图

  计算图是用来描述运算的有向无环图。计算图有两个主要元素:结点(Node) 和边(Edge)。结点表示数据,如向量,矩阵,张量;边表示运算,如加减乘除卷积等。
用计算图表示 y = ( x + w) * ( w + 1 )
  拆分成 a = x + w ;b = w + 1 ;y = a * b

+1
x
a +
w
b
y *

y对w求导,相当于找到计算图中所有y到w的路径,路径上的导数求积,路径间求和
yw=yaaw+ybbw=b×1+a×1=b+a=(w+1)+(x+w)=2×w+x+1\frac{\partial y}{\partial w}=\frac{\partial y}{\partial a}\frac{\partial a}{\partial w}+\frac{\partial y}{\partial b}\frac{\partial b}{\partial w}= b \times 1 + a \times 1 = b + a = (w + 1) + (x + w) = 2 \times w + x + 1
叶子结点: 用户创建的结点,如x与w,梯度反向传播之后,非叶子节点的梯度会被释放掉,若想使用非叶子节点的梯度,可以用 retain_grad()
grad_fn: 记录创建该张量时所用的方法

w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(x, w)
a.retain_grad()  # 保留非叶子节点的梯度
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward()
print(w.is_leaf, x.is_leaf, a.is_leaf, b.is_leaf, y.is_leaf)
print(w.grad, x.grad, a.grad, b.grad, y.grad)
print(w.grad_fn, x.grad_fn, a.grad_fn, b.grad_fn, y.grad_fn)
True True False False False
tensor([5.]) tensor([2.]) tensor([2.]) None None
None None <AddBackward0 object at 0x000001F812793A48> <AddBackward0 object at 0x000001F81278F4C8> <MulBackward0 object at 0x000001F821799148>

动态图VS静态图

根据计算图搭建方式,可将计算图分为动态图和静态图。
动态图:运算与搭建同时进行,灵活,易调节
静态图:先搭建图,后运算,高效,不灵活
PyTorch采用的是动态图机制,TensorFlow采用的是静态图机制。