未經(jīng)允許，不得轉(zhuǎn)載七扰，謝謝~~
autograd包是PyTorch中神經(jīng)網(wǎng)絡(luò)的核心部分,簡單學(xué)習(xí)一下.
autograd提供了所有張量操作的自動求微分功能. 它的靈活性體現(xiàn)在可以通過代碼的運行來決定反向傳播的過程, 這樣就使得每一次的迭代都可以是不一樣的.
Variable類
-
autograd.Variable是這個包中的核心類. - 它封裝了Tensor,并且支持了幾乎所有Tensor的操作.
- 一旦你完成張量計算之后就可以調(diào)用
.backward()函數(shù),它會幫你把所有的梯度計算好. - 通過Variable的
.data屬性可以獲取到張量. - 通過Variabe的
.grad屬性可以獲取到梯度.
下圖是Variable的結(jié)構(gòu)圖:
Function類
- 對于實現(xiàn)自動求梯度還有一個很重要的類就是
autograd.Function. -
Variable跟Function一起構(gòu)建了非循環(huán)圖,完成了前向傳播的計算. - 每個通過Function函數(shù)計算得到的變量都有一個
.grad_fn屬性. - 用戶自己定義的變量(不是通過函數(shù)計算得到的)的
.grad_fn值為空. - 如果想計算某個變量的梯度,可以調(diào)用
.backward()函數(shù):
1.當(dāng)變量是標(biāo)量的時候不需要指定任何參數(shù).
2.當(dāng)變量不是標(biāo)量的時候,需要指定一個跟該變量同樣大小的張量grad_output用來存放計算好的梯度.
代碼示例
- import packet
import torch
from torch.autograd import Variable
- Create a variable
x=Variable(torch.ones(2,2),requires_grad=True)
print (x)
- Do an operation of variable
y=x+2
print(y)
- grad_fn attribute
這里的x是屬于用戶自己定義的,而y屬于函數(shù)產(chǎn)生的,所以y有g(shù)rad_fn屬性,而x沒有.
print (x.grad_fn)
print (y.grad_fn)
- more operations on y
z = y * y * 3
out = z.mean()
print(z, out)
Gradients
如果你跟著上面的代碼做下來的話,上面已經(jīng)完成了變量x及計算函數(shù)的定義.
現(xiàn)在我們就可以用backward()自動求導(dǎo)啦.
out.backward()
print(x.grad)
反向計算得到的梯度如下所示:
- 這里的out為標(biāo)量,所以直接調(diào)用backward()函數(shù)即可.
- 一定要注意當(dāng)out為數(shù)組時,用先定義一樣大小的Tensor例如
grad_output執(zhí)行.backgrad(grad_output)語句.
以上就基本完成了前向傳播建立計算圖以及反向傳播求梯度的過程.
more
關(guān)于 Variable and Function 更詳細的參考資料:
http://pytorch.org/docs/autograd
