Pytorch-自动微分模块

本文主要是介绍Pytorch-自动微分模块，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

🥇接下来我们进入到Pytorch的自动微分模块torch.autograd~

自动微分模块是PyTorch中用于实现张量自动求导的模块。PyTorch通过torch.autograd模块提供了自动微分的功能，这对于深度学习和优化问题至关重要，因为它可以自动计算梯度，无需手动编写求导代码。torch.autograd模块的一些关键组成部分：

函数的反向传播：torch.autograd.function 包含了一系列用于定义自定义操作的函数，这些操作可以在反向传播时自动计算梯度。
计算图的反向传播：torch.autograd.functional 提供了一种构建计算图并自动进行反向传播的方式，这类似于其他框架中的符号式自动微分。
数值梯度检查：torch.autograd.gradcheck 用于检查数值梯度与自动微分得到的梯度是否一致，这是确保正确性的一个有用工具。
错误检测模式：torch.autograd.anomaly_mode 在自动求导时检测错误产生路径，有助于调试。
梯度模式设置：torch.autograd.grad_mode 允许用户设置是否需要梯度，例如在模型评估时通常不需要计算梯度。
求导方法：PyTorch提供backward()和torch.autograd.grad()两种求梯度的方法。backward()会将梯度填充到叶子节点的.grad字段，而torch.autograd.grad()直接返回梯度结果。
requires_grad属性：在创建张量时，可以通过设置requires_grad=True来指定该张量是否需要进行梯度计算。这样在执行操作时，PyTorch会自动跟踪这些张量的计算过程，以便后续进行梯度计算。

梯度基本计算

def func1():x = torch.tensor(10, requires_grad=True, dtype=torch.float64)f = x ** 2 +10# 自动微分求导f.backward()   # 反向求导# backward 函数计算的梯度值会存储在张量的 grad 变量中print(x.grad)
def func2():x = torch.tensor([10, 20, 30, 40], requires_grad=True, dtype=torch.float64)# 变量经过中间计算f1 = x ** 2 + 10# f2 = f1.mean()  # 平均损失,相当于每个值/4f2 = f1.sum()  # 求和损失,相当于每个值*1f2.backward()print(x.grad)
def func3():x1 = torch.tensor(10, requires_grad=True, dtype=torch.float64)x2 = torch.tensor(20, requires_grad=True, dtype=torch.float64)y = x1 ** 2 + x2 ** 2 + x1 * x2y = y.sum()y.backward()print(x1.grad, x2.grad)def func4():x1 = torch.tensor([10, 20], requires_grad=True, dtype=torch.float64)x2 = torch.tensor([30, 40], requires_grad=True, dtype=torch.float64)y = x1 ** 2 + x2 ** 2 + x1 * x2y = y.sum()y.backward()print(x1.grad,x2.grad)

func1和func2，它们分别处理标量张量和向量张量的梯度计算。

在func1中，首先创建了一个标量张量x，并设置requires_grad=True以启用自动微分。然后计算f = x ** 2 + 10，接着使用f.backward()进行反向求导。最后，通过打印x.grad输出梯度值。
在func2中，首先创建了一个向量张量x，并设置requires_grad=True以启用自动微分。然后计算f1 = x ** 2 + 10，接着使用f1.sum()对向量张量进行求和操作，得到一个标量张量f2。最后，使用f2.backward()进行反向求导。
func3和func4分别求多个标量和向量的情况，与上面相似。

控制梯度计算

我们可以通过一些方法使 requires_grad=True 的张量在某些时候计算时不进行梯度计算。

第一种方式是使用torch.no_grad()上下文管理器，在这个上下文中进行的所有操作都不会计算梯度。
第二种方式是通过装饰器@torch.no_grad()来装饰一个函数，使得这个函数中的所有操作都不会计算梯度。
第三种方式是通过torch.set_grad_enabled(False)来全局关闭梯度计算功能，之后的所有操作都不会计算梯度，直到下一次再次调用此方法torch.set_grad_enabled(True)开启梯度计算功能。

x = torch.tensor(10, requires_grad=True, dtype=torch.float64)
print(x.requires_grad)# 第一种方式: 对代码进行装饰
with torch.no_grad():y = x ** 2
print(y.requires_grad)# 第二种方式: 对函数进行装饰
@torch.no_grad()
def my_func(x):return x ** 2
print(my_func(x).requires_grad)# 第三种方式
torch.set_grad_enabled(False)
y = x ** 2
print(y.requires_grad)

默认张量的 grad 属性会累计历史梯度值，如果需要重复计算每次的梯度，就需要手动清除。

x = torch.tensor([10, 20, 30, 40], requires_grad=True, dtype=torch.float64)for _ in range(3):f1 = x ** 2 + 20f2 = f1.mean()if x.grad is not None:x.grad.data.zero_()   # 本身来改动f2.backward()print(x.grad)

x.grad不是x，因为x是一个tensor张量，而x.grad是x的梯度。在PyTorch中，张量的梯度是通过自动求导机制计算得到的，而不是直接等于张量本身。

梯度下降优化最优解

x = torch.tensor(10, requires_grad=True, dtype=torch.float64)for _ in range(5000):f = x ** 2# 梯度清零if x.grad is not None:x.grad.data.zero_()# 反向传播计算梯度f.backward()# 更新参数x.data = x.data - 0.001 * x.gradprint('%.10f' % x.data)

更新参数相当于通过学习率对当前数值进行迭代。

f.backward()是PyTorch中自动梯度计算的函数，用于计算张量`f`关于其所有可学习参数的梯度。在这个例子中，`f`是一个标量张量，它只有一个可学习参数`x`。当调用f.backward()`时，PyTorch会自动计算`f`关于`x`的梯度，并将结果存储在`x.grad`中。这样，我们就可以使用这个梯度来更新`x`的值，以便最小化损失函数`f`。

梯度计算注意

当对设置 requires_grad=True 的张量使用 numpy 函数进行转换时, 会出现如下报错:

Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.

此时, 需要先使用 detach 函数将张量进行分离, 再使用 numpy 函数。detach 之后会产生一个新的张量, 新的张量作为叶子结点，并且该张量和原来的张量共享数据, 但是分离后的张量不需要计算梯度。

import torchdef func1():x = torch.tensor([10, 20], requires_grad=True, dtype=torch.float64)# Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.# print(x.numpy())  # 错print(x.detach().numpy())  def func2():x1 = torch.tensor([10, 20], requires_grad=True, dtype=torch.float64)# x2 作为叶子结点x2 = x1.detach()# 两个张量的值一样: 140421811165776 140421811165776print(id(x1.data), id(x2.data))x2.data = torch.tensor([100, 200])print(x1)print(x2)# x2 不会自动计算梯度: Falseprint(x2.requires_grad)