PyTorch3:计算图torch.autograph
神经网络的训练过程是一个不断更新权重的过程，而权重的更新要使用到反向传播，而反向传播的本质呢就是求导数。
1. 计算图
一个深度学习模型是由“计算图”所构成的。
计算图是一个有向无环图。数据是图的节点，运算是图的边。
上图所示的这张计算图的数学表达式为y=(x+w)*(w+1) 。其中，x,w和b 是由用户定义的，称为“叶子节点”，可在Pytorch中加以验证：
a = torch.tensor([1.])
b = torch.tensor([2.])
c = a.add(b)
a.is_leaf() # True
c.is_leaf() # False计算图可以分为动态图与静态图两种。
1.1 动态图
动态图的搭建过程与执行过程可以同时进行。PyTorch 默认采用动态图机制。
我们看一个例子：
import torch
first_counter = torch.Tensor([0])
second_counter = torch.Tensor([10])
while (first_counter[0] < second_counter[0]): #[0] 加不加没有影响
first_counter += 2
second_counter += 1
print(first_counter)
print(second_counter)1.2 静态图
静态图先创建计算图，然后执行计算图。计算图一经定义，无法改变。TensorFlow 2.0 以前以静态图为主。
我们看同样的例子在 TensorFlow 2.0 以前是怎么搭建的：
import tensorflow as tf
first_counter = tf.constant(0) # 定义变量
second_counter = tf.constant(10) # 定义变量
def cond(first_counter, second_counter, *args): # 定义条件
return first_counter < second_counter
def body(first_counter, second_counter): # 定义条件
first_counter = tf.add(first_counter, 2)
second_counter = tf.add(second_counter, 1)
return first_counter, second_counter
c1, c2 = tf.while_loop(cond, body, [first_counter, second_counter]) # 定义循环
with tf.Session() as sess: # 建立会话执行计算图
counter_1_res, counter_2_res = sess.run([c1, c2])
print(first_counter)
print(second_counter)因为静态图在设计好以后不能改变，调试的过程中 debug 实在太痛苦了。
所以 TensorFlow 2.0 开始默认使用动态图。
1.3 计算图示例
假如我们想计算上面计算图中y=(x+w)*(w+1)在x=2，w=1 时的导数：
在 PyTorch 中求导数非常简单，使用 tensor.backward()即可：
import torch
x = torch.tensor([2.], requires_grad=True) # 开启导数追踪
w = torch.tensor([1.], requires_grad=True) # 开启导数追踪
a = w.add(x)
b = w.add(1)
y = a.mul(b)
y.backward() # 求导
print(w.grad)2. derivative（导数）的概述
如何求导数是中学的数学知识，这里不再过多赘述.
仅仅提一点，对求某某的 “偏导数”，此时仅将这一变量当作变量，其他不相关的变量被看成常量，在求导时消去。
3. chain rule 运算规则
假如我们想对z=f(g(x)) 求导，可以设 y=g(x)，z=f(x)则：z对x的导数等于z对y求导乘上y对x求导
4. 张量的反向传播
张量的求导函数为：
tensor.backward(gradient=None, retain_graph=None, create_graph=False)4.1 运算结果为 0 维张量的反向传播
我们自己创建的 tensor 叫做创建变量，通过运算生成的 tensor 叫做结果变量。
tensor 的一个创建方法为
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)别的不说，单单说 requires_grad。如果想求这个 tensor 的导数，这个变量必须设为 True。requires_grad 的默认值为 False。
>>> a = torch.tensor(2.)
>>> a.requires_grad
False
>>> a
tensor(1.)而所有基于叶子节点生成的 tenor 的 requires_grad 属性与叶子节点相同。
>>> b = a**2 + 1
>>> b.requires_grad
False
>>> b
tensor(5.)如果没有在创建的时候显式声明 requires_grad=True，也可以在用之前临时声明：
>>> a.requires_grad_(True)
>>> a.requires_grad = True # 另一种写法
>>> a
tensor(2., requires_grad=True)而因为 b = a**2 + 1，此时 b 的属性变成了
tensor(5., grad_fn=<AddBackward0>)想对 b 求导，使用 b.backward() 即可：
>>> b.backward()查看 a 在 a = 2 处的导数，使用 a.grad 即可：
>>> a.grad
tensor(4.)4.2 运算结果为 1 维以上张量的反向传播
如果结果为1 维以上张量，直接求导会出错：
>>> a = torch.tensor([1., 2.], requires_grad=True)
>>> b = a**2 + 1
>>> b
tensor([2., 5.], grad_fn=<AddBackward0>)
>>> b.backward()
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
<ipython-input-391-a721975e1357> in <module>
----> 1 b.backward()
...
RuntimeError: grad can be implicitly created only for scalar outputs这是因为 [2., 3.] 没法求导。这时候就必须指定 backward() 中的 gradient 变量为一个与创建变量维度相同的变量作为权重，这里以 torch.tensor([1., 1.]) 为例：
>>> b.backward(gradient=torch.tensor([1., 1.]))
>>> b.backward(gradient=torch.ones_like([1., 1.])) # 创建一个与 a 维度相同的全 1 张量
>>> a.grad
tensor([2., 4.])5. 张量的显式求导 torch.augograd.grad
虽然我们可以通过 b.backward() 来计算 a.grad 的值，下面这个函数可以直接求得导数。
torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False)以y=f(x)为例，inputs 是x ，outputs 是 y。如果 是 0 维张量，grad_outputs 可以忽略；否则需要为一个与x维度相同的张量作为权重。
>>> x=torch.tensor([[1.,2.,3.],[4.,5.,6.]],requires_grad=True)
>>> y=x+2
>>> z=y*y*3
>>> dzdx = torch.autograd.grad(inputs=x, outputs=z, grad_outputs=torch.ones_like(x))
>>> print(dzdx)
(tensor([[18., 24., 30.],
[36., 42., 48.]])假如我们1⃣以上面的z对x求导 ，结果为6（x+2） 。假如我们想用z对x求二阶偏导呢？会报错：
>>> dzdx = torch.autograd.grad(inputs=x, outputs=z, grad_outputs=torch.ones_like(x))
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
<ipython-input-440-7a6333e01d6f> in <module>
----> 1 dzdx = torch.autograd.grad(inputs=x, outputs=z, grad_outputs=torch.ones_like(x))
...
RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed. Specify retain_graph=True when calling backward the first time.这是因为动态计算图的特点是使用完毕后会被释放，当我们对 b 求导的话，对 b 求导的计算图在使用完毕后就被释放了。如果我们想求二阶导数，需要设置 retain_graph=True 或 create_graph=True。retain_graph 为保存计算图，create_graph 为创建计算图，两者的作用是相同的，都可以保存当前计算图。
>>> dzdx = torch.autograd.grad(inputs=x, outputs=z, grad_outputs=torch.ones_like(x),create_graph=True)
>>> dz2dx2 = torch.autograd.grad(inputs=x, outputs=dzdx, grad_outputs=torch.ones_like(x))
>>> print(dz2dx2)
(tensor([[6., 6., 6.],
[6., 6., 6.]]),)6. 张量的显式反向传播计算torch.autograd.backward
torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False)以上面的 a 和 b 为例，b.backward() = torch.autograd.backward(b)。其中 grad_tensors 与 b.backward() 中的 gradient 变量作用相同；retain_graph 和 create_graph 与 torch.augograd.grad 中的同名变量相同，不再赘述。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
