Python中自動微分的示例分析

這篇文章主要為大家展示了“Python中自動微分的示例分析”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Python中自動微分的示例分析”這篇文章吧。

一、簡介

antograd包是Pytorch中所有神經網絡的核心。autograd為Tensor上的所有操作提供自動微分，它是一個由運行定義的框架，這意味著以代碼運行方式定義后向傳播，并且每一次迭代都可能不同

二、TENSOR

torch.Tensor是包的核心。

1.如果將屬性.requires_grad設置為True,則會開始跟蹤針對tensor的所有操作。

2.完成計算之后，可以調用backward()來自帶計算多有梯度。該張量的梯度將積累到.grad屬性中。

3.要停止tensor歷史記錄的跟蹤，可以調用.detach()，他將與計算歷史記錄分離，并防止將來的計算被跟蹤

4.要停止跟蹤歷史記錄（和使用內存），可以將代碼塊使用with torch.no_grad():包裝起來。在評估模型時候，很有用，因為模型在訓練階段具有requires_grad=True的可訓練參數有利于調參，但是在評估階段不需要梯度

5.還有一個對于autograd實現非常重要的就是Function。tensor和Function互相連接并構建一個肺循環圖，他保存整個完整的計算過程的歷史信息。每個張量都有一個.grad_fn屬性保存著創建了張量的Function的引用（如果用戶自己創建的張量，那么grad_fn是None）

6.如果想計算導數，可以調用Tensor.backward().如果Tensor是標量（包含一個元素數據）則不需要指定任何參數backward(),但是如果他有更多元素，則需要指定gradient參數來指定張量的形狀

import torch
# 創建一個張量，設置requires_grad=True
x=torch.ones(2,2,requires_grad=True)
print(x)
# 針對張量操作
y=x+2
print(y)
print(y.grad_fn)#y作為操作的結果被創建，所以他有grad_fn

# 對y操作
z=y*y*3
out=z.mean()
print(z,out)

運行結果

# 如果在變量輸入過程中沒有提供相應參數，輸入的標記默認為False,requires_grad_()會改變張量的requires_grad標記
a=torch.randn(2, 2)
a=((a*3)/(a-1))
# 前面沒有設置requires_grad，固會輸出False
print(a.requires_grad)
a.requires_grad_(True)
# 經過上面語句的更改之后，此處應該輸出True
print(a.requires_grad)
b=(a*a).sum()
# 輸出梯度信息
print(b.grad_fn)

運行結果

三、梯度

現在向后傳播，因為輸出包含了一個標量，out,backward()等同于out.backward(torch.tensor(1,))

out.backward()#向后傳播
print(x.grad)#打印梯度

運行結果

原理

四、Example——雅克比向量積

# 雅克比向量積
x=torch.randn(3,requires_grad=True)
y=x*2
print(y)
while y.data.norm()<1000:
    y=y*2
print(y)#此時y不是標量，torch.autograd 不能夠直接計算整個雅可比，但是如果我們只想要雅可比向量積，只需要簡單的傳遞向量給 backward 作為參數
v=torch.tensor([0.1,1.0,0.0001],dtype=torch.float)
y.backward(v)
print(x.grad)

print(x.requires_grad)
print((x**2).requires_grad)
# 使用一下語句停止從跟蹤歷史中.require_gra=True的張量自動求導
with torch.no_grad():
    print((x**2).requires_grad)

運行結果

以上是“Python中自動微分的示例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！