pytorch自动微分

Fiona.y2024-08-23 9:39

一、torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False)功能：自动求取梯度

grad_tensors：多梯度权重

复制代码

# 自动求取梯度
# import torch
# w = torch.tensor([1.],requires_grad=True)
# x = torch.tensor([2.],requires_grad=True)
# a = torch.add(w, x) #逐位相加
# b = torch.add(w, 1)
# y = torch.mul(a, b)# 逐位相乘
#
# c = y.backward(retain_graph = True)
# print(c)

create_graph：创建导数计算图，用于高阶求导
retain_graph：保存计算图
tensors：用于求导的张量，如 loss

2、torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False)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

复制代码

# 求取梯度
# import torch
# x = torch.tensor([3.],requires_grad=True)
# y = torch.pow(x, 2)
# grad_1 = torch.autograd.grad(y, x, create_graph = True)
# grad_2 = torch.autograd.grad(grad_1[0],x)
# print(grad_2)

实例

复制代码

# 实例，求y=x方的一阶与二阶偏导
import torch
x = torch.tensor([3.], requires_grad=True)
y = torch.pow(x,2)

#求取一阶导数
grad_1 =torch.autograd.grad(y,x,create_graph=True)

#求取二阶导数
grad_2 = torch.autograd.grad(grad_1,x) #此处值x是确定的，开始给定了3

# 展示一阶倒数的结果
print(grad_1)
#展示二阶导数结果
print(grad_2)

# 求取y=x的立方的一阶二阶三阶导数

# 创建x的初值
import torch

# 创建x，并赋予初值
x = torch.tensor([2],requires_grad = True)
# 创建y
y = torch.pow(x, 3)
# 做一阶导数
grad_1 = torch.autograd.grad(y, x, create_graph=True)
# 做二阶导数
grad_2 = torch.autograd.grad(grad_1[0], x, create_graph=True)
# 做三阶导数
grad_3 = torch.autograd.grad(grad_2[0], x, create_graph=False)

print(grad_1)
print(grad_2)
print(grad_3)