在PyTorch中，torch.Tensor類(lèi)是存儲(chǔ)和變換數(shù)據(jù)的重要工具，相比于Numpy，Tensor提供GPU計(jì)算和自動(dòng)求梯度等更多功能，在深度學(xué)習(xí)中，我們經(jīng)常需要對(duì)函數(shù)求梯度（gradient）。PyTorch提供的autograd包能夠根據(jù)輸入和前向傳播過(guò)程自動(dòng)構(gòu)建計(jì)算圖，并執(zhí)行反向傳播。本篇將介紹和總結(jié)如何使用autograd包來(lái)進(jìn)行自動(dòng)求梯度的有關(guān)操作。
1. 概念
Tensor是這個(gè)pytorch的自動(dòng)求導(dǎo)部分的核心類(lèi)，如果將其屬性.requires_grad=True，它將開(kāi)始追蹤(track) 在該tensor上的所有操作，從而實(shí)現(xiàn)利用鏈?zhǔn)椒▌t進(jìn)行的梯度傳播。完成計(jì)算后，可以調(diào)用.backward()來(lái)完成所有梯度計(jì)算。此Tensor的梯度將累積到.grad屬性中。
如果不想要被繼續(xù)對(duì)tensor進(jìn)行追蹤，可以調(diào)用.detach()將其從追蹤記錄中分離出來(lái)，接下來(lái)的梯度就傳不過(guò)去了。此外，還可以用with torch.no_grad()將不想被追蹤的操作代碼塊包裹起來(lái)，這種方法在評(píng)估模型的時(shí)候很常用，因?yàn)榇藭r(shí)并不需要繼續(xù)對(duì)梯度進(jìn)行計(jì)算。
Function是另外一個(gè)很重要的類(lèi)。Tensor和Function互相結(jié)合就可以構(gòu)建一個(gè)記錄有整個(gè)計(jì)算過(guò)程的有向無(wú)環(huán)圖（DAG）。每個(gè)Tensor都有一個(gè).grad_fn屬性，該屬性即創(chuàng)建該Tensor的Function, 就是說(shuō)該Tensor是不是通過(guò)某些運(yùn)算得到的，若是，則grad_fn返回一個(gè)與這些運(yùn)算相關(guān)的對(duì)象，否則是None。
2. 具體實(shí)現(xiàn)
2.1. 創(chuàng)建可自動(dòng)求導(dǎo)的tensor
首先我們創(chuàng)建一個(gè)tensor，同時(shí)設(shè)置requires_grad=True:
x = torch.ones(2, 2, requires_grad=True)
print(x)
print(x.grad_fn)
'''輸出：
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
None
'''
像x這種直接創(chuàng)建的tensor 稱(chēng)為葉子節(jié)點(diǎn)，葉子節(jié)點(diǎn)對(duì)應(yīng)的grad_fn是None。如果進(jìn)行一次運(yùn)算操作：
y = x + 1
print(y)
print(y.grad_fn)
'''
tensor([[2., 2.],
[2., 2.]], grad_fn=<AddBackward>)
<AddBackward object at 0x1100477b8>
'''而y是通過(guò)一個(gè)加法操作創(chuàng)建的，所以它有一個(gè)為操作的grad_fn。
嘗試進(jìn)行更復(fù)雜的操作：
z = y ** 2
out = z.mean()
print(z, out)
'''
tensor([[4., 4.],
[4., 4.]], grad_fn=<PowBackward0>) tensor(4., grad_fn=<MeanBackward0>)
'''上面的out是一個(gè)標(biāo)量4,通常對(duì)于標(biāo)量直接使用out.backward()進(jìn)行求導(dǎo)，不需要指定求導(dǎo)變量，后面進(jìn)行詳細(xì)說(shuō)明。
也可以通過(guò).requires_grad_()改變r(jià)equires_grad屬性：
a = torch.randn(3, 2) # 缺失情況下默認(rèn) requires_grad = False
a = (a ** 2)
print(a.requires_grad) # False
a.requires_grad_(True) #使用in-place操作，改變屬性
print(a.requires_grad) # True
b = (a * a).sum()
print(b.grad_fn)
'''
False
True
<SumBackward0 object at 0x7fd8c16edd30>
'''
2.2. 梯度計(jì)算
torch.autograd實(shí)現(xiàn)梯度求導(dǎo)的鏈?zhǔn)椒▌t，用來(lái)計(jì)算一些雅克比矩陣的乘積，即函數(shù)的一階導(dǎo)數(shù)的乘積。
注意：grad在反向傳播過(guò)程中是累加的(accumulated)，每一次運(yùn)行反向傳播，梯度都會(huì)累加之前的梯度，所以一般在反向傳播之前需把梯度清零x.grad.data.zero_()。
x = torch.ones(2, 2, requires_grad=True)
y = x + 1
z = y ** 2
out = z.mean()
print(z, out)
out.backward()
print(x.grad)
# 注意grad是累加的
out2 = x.sum()
out2.backward()
print(out2)
print(x.grad)
out3 = x.sum()
x.grad.data.zero_()
out3.backward()
print(out3)
print(x.grad)
'''
tensor([[4., 4.],
[4., 4.]], grad_fn=<PowBackward0>) tensor(4., grad_fn=<MeanBackward0>)
tensor([[1., 1.],
[1., 1.]])
tensor(4., grad_fn=<SumBackward0>)
tensor([[2., 2.],
[2., 2.]])
tensor(4., grad_fn=<SumBackward0>)
tensor([[1., 1.],
[1., 1.]])
'''
Tensor的自動(dòng)求導(dǎo)對(duì)于標(biāo)量比如上面的out.backward()十分方便，但是當(dāng)反向傳播的對(duì)象不是標(biāo)量時(shí)，需要在y.backward()種加入一個(gè)與out同形的Tensor，不允許張量對(duì)張量求導(dǎo)，只允許標(biāo)量對(duì)張量求導(dǎo)，求導(dǎo)結(jié)果是和自變量同形的張量。
這是為了避免向量（甚至更高維張量）對(duì)張量求導(dǎo)，而轉(zhuǎn)換成標(biāo)量對(duì)張量求導(dǎo)。
x = torch.tensor([1.0, 2.0, 3.0, 4.0], requires_grad=True)
y = 2 * x
z = y.view(2, 2)
print(z)
'''
tensor([[2., 4.],
[6., 8.]], grad_fn=<ViewBackward>)
'''顯然上面的tensor z不是一個(gè)標(biāo)量，所以在調(diào)用 z.backward()時(shí)需要傳入一個(gè)和z同形的權(quán)重向量進(jìn)行加權(quán)求和得到一個(gè)標(biāo)量。
c = torch.tensor([[1.0, 0.1], [0.01, 0.001]], dtype=torch.float)
z.backward(c)
print(x.grad)
'''
tensor([[2., 4.],
[6., 8.]], grad_fn=<ViewBackward>)
tensor([2.0000, 0.2000, 0.0200, 0.0020])
'''
2.3 停止梯度追蹤
我們可以使用detach()或者torch.no_grad()語(yǔ)句停止梯度追蹤：
x = torch.tensor(1.0, requires_grad=True)
y1 = x ** 2
with torch.no_grad():
y2 = x ** 3
y3 = y1 + y2
print(x.requires_grad)
print(y1, y1.requires_grad) # True
print(y2, y2.requires_grad) # False
print(y3, y3.requires_grad) # True
'''
True
tensor(1., grad_fn=<PowBackward0>) True
tensor(1.) False
tensor(2., grad_fn=<ThAddBackward>) True
'''
我們嘗試計(jì)算梯度：
y3.backward()
print(x.grad)
# y2.backward() #這句會(huì)報(bào)錯(cuò)，因?yàn)榇藭r(shí) y2.requires_grad=False,，無(wú)法調(diào)用反向傳播
'''
tensor(2.)
'''這里結(jié)果為2，是因?yàn)槲覀儧](méi)有獲得y2的梯度，僅僅是對(duì)y1做了一次反向傳播，作為最后的梯度輸出。
2.4. 修改tensor的值
如果我們想要修改tensor的數(shù)值，但是不希望保存在autograd的記錄中，require s_grad = False, 即不影響到正在進(jìn)行的反向傳播，那么可以用tensor.data進(jìn)行操作。但是這種操作需要注意可能會(huì)產(chǎn)生一些問(wèn)題，比如標(biāo)量為0
x = torch.ones(1,requires_grad=True)
print(x.data) # 仍然是一個(gè)tensor
print(x.data.requires_grad) # 但是已經(jīng)是獨(dú)立于計(jì)算圖之外
y = 2 * x
x.data *= 100 # 只改變了值，不會(huì)記錄在計(jì)算圖，所以不會(huì)影響梯度傳播
y.backward()
print(x) # 更改data的值也會(huì)影響tensor的值
print(x.grad)
pytorch0.4以后保留了.data() 但是官方文檔建議使用.detach()，因?yàn)槭褂脁.detach時(shí)，任何in-place變化都會(huì)使backward報(bào)錯(cuò)，因此.detach（）是從梯度計(jì)算中排除子圖的更安全方法。
如下面的例子：
torch.tensor([1,2,3.], requires_grad = True)
out = a.sigmoid()
c = out.detach()
c.zero_() # in-place為0 ，tensor([ 0., 0., 0.])
print(out) # modified by c.zero_() !! tensor([ 0., 0., 0.])
out.sum().backward() # Requires the original value of out, but that was overwritten by c.zero_()
'''
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation
'''
a = torch.tensor([1,2,3.], requires_grad = True)
out = a.sigmoid()
c = out.data
c.zero_() # tensor([ 0., 0., 0.])
print(out) # out was modified by c.zero_() tensor([ 0., 0., 0.])
out.sum().backward()
a.grad # 這么做不會(huì)報(bào)錯(cuò)，但是a已經(jīng)被改變，最后計(jì)算的梯度實(shí)際是錯(cuò)誤的
'''
tensor([ 0., 0., 0.])
'''補(bǔ)充：pytorch如何計(jì)算導(dǎo)數(shù)_Pytorch 自動(dòng)求梯度（autograd）
深度學(xué)習(xí)其實(shí)就是一個(gè)最優(yōu)化問(wèn)題，找到最小的loss值，因?yàn)樽宰兞窟^(guò)多，想要找到最小值非常困難。所以就出現(xiàn)了很多最優(yōu)化方法，梯度下降就是一個(gè)非常典型的例子。本文針對(duì)python的pytorch庫(kù)中的自動(dòng)求梯度進(jìn)行了詳細(xì)的解釋
Tensor
pytorch里面的tensor可以用來(lái)存儲(chǔ)向量或者標(biāo)量。
torch.tensor(1) # 標(biāo)量
torch.tensor([1]) # 1*1 的向量tensor還可以指定數(shù)據(jù)類(lèi)型，以及數(shù)據(jù)存儲(chǔ)的位置（可以存在顯存里，硬件加速）
torch.tensor([1,2], dtype=torch.float64)梯度
在數(shù)學(xué)里，梯度的定義如下：
可以看出，自變量相對(duì)于因變量的每一個(gè)偏導(dǎo)乘以相應(yīng)的單位向量，最后相加，即為最后的梯度向量。
在pytorch里面，我們無(wú)法直接定義函數(shù)，也無(wú)法直接求得梯度向量的表達(dá)式。更多的時(shí)候，我們其實(shí)只是求得了函數(shù)的在某一個(gè)點(diǎn)處相對(duì)于自變量的偏導(dǎo)。
我們先假設(shè)一個(gè)一元函數(shù)：y = x^2 + 3x +1，在pytorch里面，我們假設(shè)x = 2, 那么
>>> x = torch.tensor(2, dtype=torch.float64, requires_grad=True)
>>> y = x * x + 3 * x + 1
>>> y.backward()
>>> x.grad
tensor(7., dtype=torch.float64)可以看出，最后y相對(duì)于x的導(dǎo)數(shù)在x=2的地方為7。在數(shù)學(xué)里進(jìn)行驗(yàn)證，那么就是
y' = 2*x + 3, 當(dāng)x=2時(shí)，y' = 2 * 2 + 3 = 7, 完全符合torch自動(dòng)求得的梯度值。
接下來(lái)計(jì)算二元函數(shù)時(shí)的情況：
>>> x1 = torch.tensor(1.0)
>>> x2 = torch.tensor(2.0, requires_grad=True)
>>> y = 3*x1*x1 + 9 * x2
>>> y.backward()
tensor(6.)
>>> x2.grad
tensor(9.)可以看出，我們可以求得y相對(duì)于x2的偏導(dǎo)數(shù)。
以上討論的都是標(biāo)量的情況，接下來(lái)討論自變量為向量的情況。
mat1 = torch.tensor([[1,2,3]], dtype=torch.float64, requires_grad=True)
>>> mat2
tensor([[1.],
[2.],
[3.]], dtype=torch.float64, requires_grad=True)mat1是一個(gè)1x3的矩陣，mat2是一個(gè)3x1的矩陣，他們倆的叉乘為一個(gè)1x1的矩陣。在pytorch里面，可以直接對(duì)其進(jìn)行backward，從而求得相對(duì)于mat1或者是mat2的梯度值。
>>> y = torch.mm(mat1, mat2)
>>> y.backward()
>>> mat1.grad
tensor([[1., 2., 3.]], dtype=torch.float64)
>>> mat2.grad
tensor([[1.],
[2.],
[3.]], dtype=torch.float64)其實(shí)可以把mat1中的每一個(gè)元素當(dāng)成一個(gè)自變量，那么相對(duì)于mat1的梯度向量，就是分別對(duì)3個(gè)x進(jìn)行求偏導(dǎo)。
相當(dāng)于是y = mat1[0] * mat2[0] + mat1[1] * mat2[1] + mat1[2] * mat2[2]
然后分別求y對(duì)于mat1，mat2每個(gè)元素的偏導(dǎo)。
另外，如果我們最后輸出的是一個(gè)N x M 的一個(gè)向量，我們要計(jì)算這個(gè)向量相對(duì)于自變量向量的偏導(dǎo)，那么我們就需要在backward函數(shù)的參數(shù)里傳入?yún)?shù)。
如上圖所述，其實(shí)pytorch的autograd核心就是計(jì)算一個(gè) vector-jacobian 乘積， jacobian就是因變量向量相對(duì)于自變量向量的偏導(dǎo)組成的矩陣，vector相當(dāng)于是因變量向量到一個(gè)標(biāo)量的函數(shù)的偏導(dǎo)。最后就是標(biāo)量相對(duì)于一個(gè)向量的梯度向量。
總結(jié)
最后，其實(shí)神經(jīng)網(wǎng)絡(luò)就是尋求一個(gè)擬合函數(shù)，但是因?yàn)閰?shù)過(guò)多，所以不得不借助每一點(diǎn)的梯度來(lái)一點(diǎn)一點(diǎn)的接近最佳的LOSS值，pytorch擁有動(dòng)態(tài)的計(jì)算圖，存儲(chǔ)記憶對(duì)向量的每一個(gè)函數(shù)操作，最后通過(guò)反向傳播來(lái)計(jì)算梯度，這可以說(shuō)是pytorch的核心。
所以深入了解如果利用pytorch進(jìn)行自動(dòng)梯度計(jì)算非常重要。
以上就是如何使用autograd包進(jìn)行自動(dòng)求梯度的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
