《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。