《昇思25天学习打卡营第4天|07函数式自动微分》

说在前面

前面几节课学习了mindspore的一些操作方法,接下来学习下稍微有一些技术含量的内容。

正向计算图

图中内容对应的代码如下,为了便于查看分析,增加了对数据的shape打印:

python 复制代码
x = ops.ones(5, mindspore.float32)  # input tensor
y = ops.zeros(3, mindspore.float32)  # expected output
w = Parameter(Tensor(np.random.randn(5, 3), mindspore.float32), name='w') # weight
b = Parameter(Tensor(np.random.randn(3,), mindspore.float32), name='b') # bias

print(f"x shape {x.shape}")
print(f"y shape {y.shape}")
print(f"w shape {w.shape}")
print(f"b shape {b.shape}")

可以查看到输出的结果是

shell 复制代码
x shape (5,)
y shape (3,)
w shape (5, 3)
b shape (3,)

简单理解是:

xshape为[5],和w[5, 3]相乘,获得的结果理论上是[3]的大小。之后和b相加,结果仍然是[3],也就是图片中的z,其实应该有一个激活函数的,对应图片中的CE,也就是交叉熵损失函数。

对应的代码是

python 复制代码
def function(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss

模型网络正向逻辑介绍完毕。

反向计算逻辑

上面的公式中,w和b是模型训练过程中需要学习的参数,因此反向主要是更新w和b。

在mindspone中的方法是:

python 复制代码
grad_fn = mindspore.grad(function, (2, 3))

获得计算结果:

到这里,也就介绍完毕算子的正向和反向的使用方法。

接下来会通过神经网络的例子,介绍自动微分的功能。

最后将x,y 导入,然后进行执行:

打卡

完成mindspone的自动微分学习,感觉使用起来没那么顺畅了。

相关推荐
豆沙沙包?1 小时前
8.学习笔记-Maven进阶(P82-P89)
笔记·学习·maven
醉暮天3 小时前
4.25学习——文件上传之00截断
学习
blackA_6 小时前
数据库MySQL学习——day4(更多查询操作与更新数据)
数据库·学习·mysql
梁下轻语的秋缘8 小时前
每日c/c++题 备战蓝桥杯(P1049 [NOIP 2001 普及组] 装箱问题)
c语言·c++·学习·蓝桥杯
球求了8 小时前
C++:继承机制详解
开发语言·c++·学习
时光追逐者9 小时前
MongoDB从入门到实战之MongoDB快速入门(附带学习路线图)
数据库·学习·mongodb
一弓虽9 小时前
SpringBoot 学习
java·spring boot·后端·学习
genggeng不会代码11 小时前
用于协同显著目标检测的小组协作学习 2021 GCoNet(总结)
学习
搞机小能手11 小时前
六个能够白嫖学习资料的网站
笔记·学习·分类
The_cute_cat13 小时前
25.4.22学习总结
学习