PyTorch自动微分知识点讲解知识导图PyTorch自动微分 ├── 基础认知 │ ├── 自动微分的核心概念 │ └── autograd模块的作用 ├── 梯度计算 │ ├── 梯度计算的规则 │ └── backward与grad的使用 └── 实战案例 ├── 单参数的更新 └── 多参数的更新核心名词解释自动微分 (AD)PyTorch 的核心功能用来自动计算函数的梯度不需要手动求导简化了神经网络的训练。autogradPyTorch 的自动微分模块实现了自动梯度计算支持反向传播。反向传播神经网络的训练算法通过损失函数的梯度来更新模型的参数autograd 模块实现了这个过程的自动化。requires_grad张量的属性用来标记是否需要对这个张量计算梯度开启自动微分。backward()反向传播的方法用来自动计算梯度调用后会自动计算所有需要梯度的张量的梯度。grad张量的属性用来存储计算得到的梯度值每次调用 backward 后会累加。梯度清零因为 grad 会累加所以每次训练前需要把梯度清零避免上一次的梯度影响本次的计算。一、自动微分基础认知本章节学习目标掌握自动微分模块的使用1.1 什么是自动微分自动微分Automatic Differentiation, AD 是 PyTorch 的核心功能之一它通过 autograd 模块实现无需手动计算梯度极大简化了神经网络训练等依赖梯度优化的任务。1.2 autograd 模块的作用训练神经网络时最常用的算法就是反向传播。在该算法中参数模型权重会根据损失函数关于对应参数的梯度进行调整。PyTorch 内置的名为torch\.autograd的微分模块它支持自动梯度计算我们可以通过backward方法、grad属性来实现梯度的计算和访问。二、梯度的基本计算梯度计算的规则PyTorch 的梯度计算有以下规则PyTorch 不支持向量张量对向量张量的求导只支持标量张量对向量张量的求导如果 x 是张量那么 loss 必须是标量一个值才可以进行求导计算梯度调用loss\.backward\(\)其中 loss 是一个标量张量获取 x 点的梯度值x\.grad注意它会累加上一次的梯度值所以经常要提前梯度清零三、自动微分实战案例3.1 单参数的更新我们先来看单参数的自动微分更新只更新权重 w** 一次神经网络训练的全流程初始化参数→前向算损失→反向算梯度→梯度下降更新参数。 *# 导包* import torch *# todo 1 模拟初始化权重参数* w torch.tensor(data2.0, requires_gradTrue) *# 只有浮点型的张量才能跟踪梯度这也是为什么我们用2.0而不是2* *# todo 2 模拟损失函数计算损失* loss 2*w**2 print(损失值:, loss) *# 输出: tensor(8., grad_fnMulBackward0)* *# 这里的grad_fnMulBackward0就是autograd的跟踪标记* *# 它记录了这个loss是怎么算出来的反向传播的时候就靠这个算梯度* *# todo 3 反向传播自动计算梯度* loss.backward() *# 这一步就是我们之前聊的自动微分反向传播算完的梯度会自动存到w.grad里* print(w的梯度:, w.grad) *# 输出: tensor(8.)* *# 手动验证一下损失函数是 loss2w²它的导数是 dloss/dw 4w* *# w初始是2所以导数就是 4*28和autograd自动算的完全一致* *# --------------------------* *# todo 4 参数更新梯度下降* *# --------------------------* lr 0.01 *# 学习率* print(f更新前的w: {w.data}) *# 输出: 更新前的w: 2.0* *# 正确的更新公式w w - 学习率 * 梯度* w.data w.data - lr * w.grad print(f更新后的w: {w.data}) *# 输出: 更新后的w: 1.92* 补充两个实际开发的注意点 为什么更新参数要用w.data 因为如果直接写w w - lr * w.grad会新建一个普通的张量把原来带requires_grad的参数张量覆盖掉之后就没法跟踪梯度了。用.data可以直接修改张量的数值同时保留它的梯度跟踪属性。 梯度要清零 如果你要跑第二次训练一定要把上一次的梯度清零不然梯度会累加比如你再跑一次loss.backward()w.grad 会变成 16而不是重新计算。 实际开发中优化器会自动帮你做optimizer.zero_grad()不用你手动清。 ** 一次神经网络训练的全流程初始化参数→前向算损失→反向算梯度→梯度下降更新参数。 *# 导包* import torch *# todo 1 模拟初始化权重参数* w torch.tensor(data[2.0,4.0], requires_gradTrue) *# 只有浮点型的张量才能跟踪梯度这也是为什么我们用2.0而不是2* *# todo 2 模拟损失函数计算损失* loss 2*w**2 print(损失值:, loss) *# 输出: tensor([ 8., 32.], grad_fnMulBackward0)* *# 这里的grad_fnMulBackward0就是autograd的跟踪标记* *# 它记录了这个loss是怎么算出来的反向传播的时候就靠这个算梯度* *# todo loss 必须是标量张量,否则用它的均值* *# todo 3 反向传播自动计算梯度* loss.mean().backward() *# sum、mean* *# 这一步就是我们之前聊的自动微分反向传播算完的梯度会自动存到w.grad里* print(w的梯度:, w.grad) *# 输出:w的梯度: tensor([4., 8.])* *# 手动验证一下损失函数是 loss2w²它的导数是 dloss/dw 4w* *# w初始是2所以导数就是 4*28和autograd自动算的完全一致* *# --------------------------* *# todo 4 参数更新梯度下降* *# --------------------------* lr 0.01 *# 学习率* print(f更新前的w: {w.data}) *# 输出: 更新前的w: 2.0* *# 正确的更新公式w w - 学习率 * 梯度* w.data w.data - lr * w.grad *# 2-0.01*4* *# 4-0.01*8* print(f更新后的w: {w.data}) *# 输出: 更新后的w: 1.92* * # 更新后的w: tensor([1.9600, 3.9200])* 补充两个实际开发的注意点 为什么更新参数要用w.data 因为如果直接写w w - lr * w.grad会新建一个普通的张量把原来带requires_grad的参数张量覆盖掉之后就没法跟踪梯度了。用.data可以直接修改张量的数值同时保留它的梯度跟踪属性。 梯度要清零 如果你要跑第二次训练一定要把上一次的梯度清零不然梯度会累加比如你再跑一次loss.backward()w.grad 会变成 16而不是重新计算。 实际开发中优化器会自动帮你做optimizer.zero_grad()不用你手动清。 3.2 多参数的更新接下来我们看同时更新权重 w 和偏置 b 的案例import torch torch.manual_seed(6) *# todo 1 初始化参数* *# 1模拟x数据 --真实特征* x torch.ones(size (5,3)) *# 2模拟y 数据* y torch.zeros(size(2,3)) *# 3模拟初始化w数据* w torch.randn(size(2,5),requires_gradTrue) *# 4模拟初始化b数据* b torch.randn(3,requires_gradTrue) *# 5计算z标签* z wx b print(z.shape) *# torch.Size([2, 3]) -y* *# 6损失函数* loss_fn torch.nn.MSELoss() *# 7) 学习率* lr 0.01 *# todo 2 前向算损失* loss loss_fn(z,y) print(f损失值{loss}) *# loss 13.9481782913208* *# todo 3 反向算梯度* loss.backward() *# -w.grad* print(fw的梯度{w.grad}) print(fb的梯度{b.grad}) *# todo 4 梯度下降更新参数 新 旧 - 学习率*梯度* print(f更新前的w:{w}) w w - 0.01*w.grad print(f更新后前的w:{w}) print(-------------------------) print(f更新前的b:{b}) b b - 0.01*b.grad print(f更新后前的b:{b})四、知识点小结本小节主要讲解了 PyTorch 中非常重要的自动微分模块的使用和理解。我们对需要计算梯度的张量需要设置requires\_gradTrue属性这样 autograd 模块就会自动跟踪这个张量的运算在反向传播的时候自动计算梯度。