pytorch求导总结(torch.autograd)
1、Autograd 求导机制
我们在用神经网络求解PDE时, 经常要用到输出值对输入变量(不是Weights和Biases)求导; 例如在训练WGAN-GP 时, 也会用到网络对输入变量的求导,pytorch中通过 Autograd 方法进行求导,其求导规则如下:
1.1当x为向量,y为一标量时
通过autograd 计算的梯度为:
1.2先假设x,y为一维向量
其对应的jacobi(雅可比)矩阵为
grad_outputs 是一个与因变量 y 的shape 一致的向量
在给定grad_outputs 后,通过Autograd 方法 计算的梯度如下:
1.3 当 x 为1维向量,Y为2维向量
给出grad_outputs 与Y的shape一致
Y 与x的jacobi矩阵
则 Y 对 x 的梯度:
1.4 当 X ,Y均为2维向量时
1.5 当X Y为更高维度时,可以按照上述办法转化为低维度的求导
值得注意的是:
- 求导后的梯度shape总与自变量X保持一致
- 对自变量求导的顺序并不会影响结果,某自变量的梯度值会放到该自变量原来相同位置
- 梯度是由每个自变量的导数值组成的向量,既有大小又有方向
- grad_outputs 与 因变量Y的shape一致,每一个参数相当于对因变量中相同位置的y进行一个加权。
2 pytorch求导方法
2.1 在求导前需要对需要求导的自变量进行声明
2.2 torch.autograd.gard()
grad = autograd.grad( outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False )
参数解释:
outputs:求导的因变量 Y
inputs : 求导自变量 X
grad_outputs:
- 当outputs为标量时,grad_outputs=None , 不需要写,
- 当outputs 为向量,需要为其声明一个与outputs相同shape的参数矩阵,该矩阵中的每个参数的作用是,对outputs中相同位置的y进行一个加权。 不然会报错
- autograd.grad()返回的是元组数据类型,元组的长度与inputs长度相同,元组中每个单位的shape与相同位置的inputs相同
retain_graph:
1、当求完一次梯度后默认会把图信息释放掉,都会free掉计算图中所有缓存的buffers,当要连续进行几次求导时,可能会因为前面buffers不存在而报错。
因为第二个梯度计算z对x的导数,需要y对x的计算导数的缓存信息,但是在计算grad1后,保存信息被释放,找不到了,因此报错。
修改如下:
2、一般计算的最后一个梯度可以不需要保存计算图信息,这样在计算后可以及时释放掉占用的内存。
3、在pytorch中连续多次调用backward()也会出现这样的问题,对中间的backwad(),需要保持计算图信息
create_graph: 若要计算高阶导数,则必须选为True
求二阶导方法如下:
allow_unused: 允许输入变量不进入计算
2.3 torch.backward()
def backward(
gradient: Optional[Tensor] = None,
retain_graph: Any = None,
create_graph: Any = False,
inputs: Any = None) -> Any
)
- 如果需要计算导数,可以在tensor上直接调用.backward(),会返回该tensor所有自变量的导数。通过name(自变量名).grad 可以获得该自变量的梯度
- 如果tensor是标量,则backward()不需要指定任何参数
- 如果tensor是向量,则backward()需要指定gradient一个与tensorshape相同的参数矩阵,即这里的gradient 同 grad_outputs 作用和形式完全一样。
pytorch求导总结(torch.autograd)相关推荐
- [转]一文解释PyTorch求导相关 (backward, autograd.grad)
PyTorch是动态图,即计算图的搭建和运算是同时的,随时可以输出结果:而TensorFlow是静态图. 在pytorch的计算图里只有两种元素:数据(tensor)和 运算(operation) 运 ...
- 用numpy、PyTorch自动求导、torch.nn库实现两层神经网络
用numpy.PyTorch自动求导.torch.nn库实现两层神经网络 1 用numpy实现两层神经网络 2 用PyTorch自动求导实现两层神经网络 2.1 手动求导 2.2 gradient自动 ...
- pytorch 笔记: 扩展torch.autograd
1 扩展torch.autograd 向 autograd 添加操作需要为每个操作实现一个新的 Function 子类. 回想一下,函数是 autograd 用来编码操作历史和计算梯度的东西. 2 何 ...
- pytorch自动求导机制
Torch.autograd 在训练神经网络时,我们最常用的算法就是反向传播(BP). 参数的更新依靠的就是loss function针对给定参数的梯度.为了计算梯度,pytorch提供了内置的求导机 ...
- autograd-自动求导系统
torch.autograd 权值的更新需要求解梯度,pytorch提供了自动求导系统,我们只需要搭建前向传播计算图,由autograd的方法就可以得到所有张量的梯度. 其中最常用的方法是backwa ...
- 【2】激活函数与Loss函数求导
文章目录 1.常见的激活函数与梯度 Sign函数 Sigmoid函数 Tanh函数 ReLU函数 Softmax函数 Leaky ReLU函数 SELU函数 Softplus函数 2.常见的Loss与 ...
- PyTorch定义新的自动求导(Autograd) 函数
PyTorch定义新的自动求导(Autograd) 函数 pytorch官网提供了定义新的求导函数的方法(链接放在文章末尾了),官网举的例子,可能我比较笨,愣是反应了好一会儿才理解.这篇博客主要讲 P ...
- PyTorch 笔记Ⅱ——PyTorch 自动求导机制
文章目录 Autograd: 自动求导机制 张量(Tensor) 梯度 使用PyTorch计算梯度数值 Autograd 简单的自动求导 复杂的自动求导 Autograd 过程解析 扩展Autogra ...
- pytorch自动求导
1.求导 params = torch.tensor([1.0, 0.0], requires_grad=True) 注意到了张量构造函数的 require_grad = True 吗?这个参数告诉P ...
最新文章
- [python教程入门学习]Python标准库映射类型与可散列数据类型的关系
- Android -- ImageLoader本地缓存
- Java-Java中的线程池原理分析及使用
- 程序员取名:用大数据分析一下宝宝取名时最容易重复的名字
- Android Studio运行报错:无法访问XXX......请删除该文件或确保该文件位于正确的类路径子目录中
- TestCenter中测试需求、测试用例、测试计划的评审方法
- java udp 接收不定长_JAVA UDP通信为什么只能接收一次数据,我想要时刻接收数据,并更新UI,大神们帮我看看程序吧?...
- 《古剑奇谭2》详细测评心得
- Jira项目导入,被导入项目与目的系统数据类型不一致导入不成功的解决方案
- 19. Treat class design as type design
- wget下载网络资源
- PAT 甲级1069/乙级 1019 PAT Ranking 个人错误总结
- quartz框架(五)-Trigger相关内容
- python爬千图网高清图片
- [BJDCTF2020]Mark loves cat(3种解法)
- 深入JUnit源码之Runner
- 震惊,用过微粒贷的人没资格贷款买房!
- 神经网络 深度神经网络,深度神经网络基本原理
- 前端面试查漏补缺--(二) 垃圾回收机制
- 【免费领取】趣味测试小程序源码/内置超多趣味测评+可插入流量主广告位微信小程序源码