Pytorch 学习（1）自动求导: 自动微分 初体验

Pytorch  学习（1）自动求导: 自动微分 初体验

PyTorch 中所有神经网络的核心是 autograd 自动求导包。

官网上的例子：如果 Variable 是标量的形式（例如, 它包含一个元素数据）,  不必指定任何参数给 backward()。

import torch
from torch.autograd import Variable

x= Variable(torch.ones(2,2),requires_grad =True)
print(x)

y =x +2
print(y)

print(y.grad_fn)

z= y*y*3
out =z.mean()
print(z,out)

out.backward()

print(x.grad)
 

运行结果为：

tensor([[ 1.,  1.],
        [ 1.,  1.]])
tensor([[ 3.,  3.],
        [ 3.,  3.]])
<AddBackward0 object at 0x000002533D724DD8>
tensor([[ 27.,  27.],
        [ 27.,  27.]]) tensor(27.)
tensor([[ 4.5000,  4.5000],
        [ 4.5000,  4.5000]])

 

 例2：如果Variable有更多的元素. 需要去指定一个 grad_output 参数, 该参数是一个匹配 shape（形状）的张量.

x =torch.randn(3)
print("=========x=======")
print(x)
x= Variable(x,requires_grad =True)
y=x*x*x
print("========= y= x^3 =======")
print(y)
gradients =torch.FloatTensor([0.1,1.0,0.01])
y.backward(gradients)
print("=========y对x求导 =======")
print(x.grad)

print("=========数学求导=======")
# y=x^3 求导 3x^2,然后乘以权重系数 0.1,1.0,0.01 比较结果
print(3*x*x)

 计算结果如下，使用pytorch的自动求导，和人工计算导数再乘以权重系数的结果是一样的。

=========x=======
tensor([-1.3326, -0.6574, -2.0749])
========= y= x^3 =======
tensor([-2.3665, -0.2841, -8.9327])
=========y对x求导 =======
tensor([ 0.5327,  1.2965,  0.1292])
=========数学求导=======
tensor([  5.3275,   1.2965,  12.9155])