torch.autograd.Function
torch.autograd.Function
狼啸风云
修改于 2022-09-02 22:33:09
修改于 2022-09-02 22:33:09
- 对Function的直观理解
- Function与Module的差异与应用场景
- 写一个简单的ReLU Function
1.对Function的直观理解
- 在之前的介绍中，我们知道，Pytorch是利用Variable与Function来构建计算图的。回顾下Variable，Variable就像是计算图中的节点，保存计算结果（包括前向传播的激活值，反向传播的梯度），而Function就像计算图中的边，实现Variable的计算，并输出新的Variable。
- Function简单说就是对Variable的运算，如加减乘除，relu，pool等。
- 但它不仅仅是简单的运算。与普通Python或者numpy的运算不同，Function是针对计算图，需要计算反向传播的梯度。因此他不仅需要进行该运算（forward过程），还需要保留前向传播的输入（为计算梯度），并支持反向传播计算梯度。
- 在之前Variable的学习中，我们知道进行一次运算后，输出的Variable对应的creator就是其运行的计算，如y = relu(x), y.creator，就是relu这个Function。
- 我们可以对Function进行拓展，使其满足我们自己的需要，而拓展就需要自定义Function的forward运算，已经对应的backward运算，同时在forward中需要通过保存输入值用于backward。
- 总结，Function与Variable构成了pytorch的自动求导机制，它定义的是各个Variable之间的计算关系。
2. Function与Module的差异与应用场景
- Function一般只定义一个操作，因为其无法保存参数，因此适用于激活函数、pooling等操作；Module是保存了参数，因此适合于定义一层，如线性层，卷积层，也适用于定义一个网络。
- Function需要定义三个方法：__init__, forward, backward（需要自己写求导公式）；Module：只需定义__init__和forward，而backward的计算由自动求导机制构成。
- 可以不严谨的认为，Module是由一系列Function组成，因此其在forward的过程中，Function和Variable组成了计算图，在backward时，只需调用Function的backward就得到结果，因此Module不需要再定义backward。
- Module不仅包括了Function，还包括了对应的参数，以及其他函数与变量，这是Function所不具备的。
3. 一个ReLU Function
- 首先我们定义一个继承Function的ReLU类。
- 然后我们来看Variable在进行运算时，其creator是否是对应的Function。
- 最后我们为方便使用这个ReLU类，将其wrap成一个函数，方便调用，不必每次显式都创建一个新对象
3.1 定义一个ReLU类
import torch
from torch.autograd import Variable
class MyReLU(torch.autograd.Function):
def forward(self, input_):
# 在forward中，需要定义MyReLU这个运算的forward计算过程
# 同时可以保存任何在后向传播中需要使用的变量值
self.save_for_backward(input_) # 将输入保存起来，在backward时使用
output = input_.clamp(min=0) # relu就是截断负数，让所有负数等于0
return output
def backward(self, grad_output):
# 根据BP算法的推导（链式法则），dloss / dx = (dloss / doutput) * (doutput / dx)
# dloss / doutput就是输入的参数grad_output、
# 因此只需求relu的导数，在乘以grad_outpu
input_, = self.saved_tensors
grad_input = grad_output.clone()
grad_input[input < 0] = 0 # 上述计算的结果就是左式。即ReLU在反向传播中可以看做一个通道选择函数，所有未达到阈值（激活值<0）的单元的梯度都为0
return grad_input3.2 验证Variable与Function的关系
from torch.autograd import Variable
input_ = Variable(torch.randn(1))
relu = MyReLU()
output_ = relu(input_)
# 这个relu对象，就是output_.creator，即这个relu对象将output与input连接起来，形成一个计算图
print relu
print output_.creator
Output：
<__main__.MyReLU object at 0x7fd0b2d08b30>
<__main__.MyReLU object at 0x7fd0b2d08b30>可见，Function连接了Variable与Variable并实现不同计算.
3.3 Wrap一个ReLU函数
可以直接把刚才自定义的ReLU类封装成一个函数，方便直接调用，
def relu(input_):
# MyReLU()是创建一个MyReLU对象，
# Function类利用了Python __call__操作，使得可以直接使用对象调用__call__制定的方法
# __call__指定的方法是forward，因此下面这句MyReLU（）（input_）相当于
# return MyReLU().forward(input_)
return MyReLU()(input_)
input_ = Variable(torch.linspace(-3, 3, steps=5))
print input_
print relu(input_)
Output：
Variable containing:
-3.0000
-1.5000
0.0000
1.5000
3.0000
[torch.FloatTensor of size 5]
Variable containing:
0.0000
0.0000
0.0000
1.5000
3.0000
[torch.FloatTensor of size 5]本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2020-04-03 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录