autograd与逻辑回归

一、autograd---自动求导系统

torch.autograd.backward()

torch.autograd.backward()是PyTorch中用于计算梯度的函数。以下是对该函数的参数的解释:

功能:自动求取梯度

• tensors: 用于求导的张量,如 loss

• retain_graph : 保存计算图

• create_graph : 创建导数计算图,用于高阶求导

• grad_tensors:多梯度权重

  • tensors:需要计算梯度的张量或张量的列表。这些张量的requires_grad属性必须为True
  • grad_tensors:可选参数,用于指定关于tensor的外部梯度。默认为None,表示使用默认的梯度为1。
  • retain_graph:可选参数,用于指定是否保留计算图以供后续计算。默认为None,表示根据需要自动释放计算图。
  • create_graph:可选参数,用于指定是否创建计算图以支持高阶梯度计算。默认为False,表示不创建计算图。

该函数的作用是计算tensors中张量的梯度,使用链式法则将梯度传播到叶子结点。它会自动构建计算图,并使用反向传播算法计算梯度。

当y = (x + w) * (w + 1),a = x + w,b = w + 1,y = a * b时对于w的梯度的推导如下:

𝜕y/𝜕w = (𝜕y/𝜕a) * (𝜕a/𝜕w) + (𝜕y/𝜕b) * (𝜕b/𝜕w)

= b * 1 + a * 1

= b + a

= (w + 1) + (x + w)

= 2w + x + 1

= 2 * 1 + 2 + 1

= 5

因此,当y = (x + w) * (w + 1)时,对于w的梯度为5。

torch.autograd.grad()

torch.autograd.grad()是PyTorch中用于计算梯度的函数。以下是对该函数的参数的解释:

功能:求取梯度

• outputs: 用于求导的张量,如 loss

• inputs : 需要梯度的张量

• create_graph : 创建导数计算图,用于高阶求导

• retain_graph : 保存计算图

• grad_outputs:多梯度权重

  • outputs:需要计算梯度的标量或标量的列表。这些标量通常是模型的损失函数。
  • inputs:关于哪些输入变量计算梯度。可以是单个张量或张量的列表。
  • grad_outputs:可选参数,用于指定关于outputs的外部梯度。默认为None,表示使用默认的梯度为1。
  • retain_graph:可选参数,用于指定是否保留计算图以供后续计算。默认为None,表示根据需要自动释放计算图。
  • create_graph:可选参数,用于指定是否创建计算图以支持高阶梯度计算。默认为False,表示不创建计算图。
    该函数的作用是计算outputs关于inputs的梯度。它会自动构建计算图,并使用反向传播算法计算梯度。

autograd小贴士:

  1. 梯度不自动清零
  2. 依赖于叶子结点的结点,requires_grad默认为True
  3. 叶子结点不可执行in-place

二、逻辑回归


线性回归是分析自变量x与因变量y(标量)之间关系的方法
逻辑回归是分析自变量x与因变量y(概率)之间关系的方法






相关推荐
master-dragon3 分钟前
spring-ai 工作流
人工智能·spring·ai
张德锋6 分钟前
Pytorch实现CIFAR10彩色图片识别
机器学习
MO2T20 分钟前
使用 Flask 构建基于 Dify 的企业资金投向与客户分类评估系统
后端·python·语言模型·flask
慢热型网友.23 分钟前
用 Docker 构建你的第一个 Python Flask 程序
python·docker·flask
Naiva23 分钟前
【小技巧】Python + PyCharm 小智AI配置MCP接入点使用说明(内测)( PyInstaller打包成 .exe 可执行文件)
开发语言·python·pycharm
Wo3Shi4七23 分钟前
双向队列
数据结构·算法·go
云动雨颤27 分钟前
Python 自动化办公神器|一键转换所有文档为 PDF
运维·python
Wo3Shi4七27 分钟前
列表
数据结构·算法·go
moonless022232 分钟前
🌈Transformer说人话版(二)位置编码 【持续更新ing】
人工智能·llm
小爷毛毛_卓寿杰33 分钟前
基于大模型与知识图谱的对话引导意图澄清系统技术解析
人工智能·llm