昇思MindSpore进阶教程--黑塞矩阵

大家好,我是刘明,明志科技创始人,华为昇思MindSpore布道师。

技术上主攻前端开发、鸿蒙开发和AI算法研究。

努力为大家带来持续的技术分享,如果你也喜欢我的文章,就点个关注吧

黑塞矩阵

在介绍MindSpore提供的计算黑塞矩阵的方法之前,首先对黑塞矩阵进行介绍。

黑塞矩阵可以由梯度操作 ∇ \nabla ∇和广度梯度操作 ∂ \partial ∂的复合得到,即
∇ ∘ ∂ : F n 1 ⟶ F n n ⟶ F n × n n \nabla \circ \partial: F_{n}^{1} \longrightarrow F_{n}^{n} \longrightarrow F_{n \times n}^{n} ∇∘∂:Fn1⟶Fnn⟶Fn×nn

将该复合操作用于f,得到,
f ⟼ ∇ f ⟼ J ∇ f f \longmapsto \nabla f \longmapsto J_{\nabla f} f⟼∇f⟼J∇f

可以得到黑塞矩阵,
H f = [ ∂ ( ∇ 1 f ) ∂ x 1 ∂ ( ∇ 1 f ) ∂ x 2 ... ∂ ( ∇ 1 f ) ∂ x n ∂ ( ∇ 2 f ) ∂ x 1 ∂ ( ∇ 2 f ) ∂ x 2 ... ∂ ( ∇ 2 f ) ∂ x n ⋮ ⋮ ⋱ ⋮ ∂ ( ∇ n f ) ∂ x 1 ∂ ( ∇ n f ) ∂ x 2 ... ∂ ( ∇ n f ) ∂ x n ] = [ ∂ 2 f ∂ x 1 2 ∂ 2 f ∂ x 2 ∂ x 1 ... ∂ 2 f ∂ x n ∂ x 1 ∂ 2 f ∂ x 1 ∂ x 2 ∂ 2 f ∂ x 2 2 ... ∂ 2 f ∂ x n ∂ x 2 ⋮ ⋮ ⋱ ⋮ ∂ 2 f ∂ x 1 ∂ x n ∂ 2 f ∂ x 2 ∂ x n ... ∂ 2 f ∂ x n 2 ] \begin{split}H_{f} = \begin{bmatrix} \frac{\partial (\nabla {1}f)}{\partial x{1}} &\frac{\partial (\nabla {1}f)}{\partial x{2}} &\dots &\frac{\partial (\nabla {1}f)}{\partial x{n}} \\ \frac{\partial (\nabla {2}f)}{\partial x{1}} &\frac{\partial (\nabla {2}f)}{\partial x{2}} &\dots &\frac{\partial (\nabla {2}f)}{\partial x{n}} \\ \vdots &\vdots &\ddots &\vdots \\ \frac{\partial (\nabla {n}f)}{\partial x{1}} &\frac{\partial (\nabla {n}f)}{\partial x{2}} &\dots &\frac{\partial (\nabla {n}f)}{\partial x{n}} \end{bmatrix} = \begin{bmatrix} \frac{\partial ^2 f}{\partial x_{1}^{2}} &\frac{\partial ^2 f}{\partial x_{2} \partial x_{1}} &\dots &\frac{\partial ^2 f}{\partial x_{n} \partial x_{1}} \\ \frac{\partial ^2 f}{\partial x_{1} \partial x_{2}} &\frac{\partial ^2 f}{\partial x_{2}^{2}} &\dots &\frac{\partial ^2 f}{\partial x_{n} \partial x_{2}} \\ \vdots &\vdots &\ddots &\vdots \\ \frac{\partial ^2 f}{\partial x_{1} \partial x_{n}} &\frac{\partial ^2 f}{\partial x_{2} \partial x_{n}} &\dots &\frac{\partial ^2 f}{\partial x_{n}^{2}} \end{bmatrix}\end{split} Hf= ∂x1∂(∇1f)∂x1∂(∇2f)⋮∂x1∂(∇nf)∂x2∂(∇1f)∂x2∂(∇2f)⋮∂x2∂(∇nf)......⋱...∂xn∂(∇1f)∂xn∂(∇2f)⋮∂xn∂(∇nf) = ∂x12∂2f∂x1∂x2∂2f⋮∂x1∂xn∂2f∂x2∂x1∂2f∂x22∂2f⋮∂x2∂xn∂2f......⋱...∂xn∂x1∂2f∂xn∂x2∂2f⋮∂xn2∂2f

易见,黑塞矩阵是一个实对称矩阵。

黑塞矩阵的应用:利用黑塞矩阵,我们可以探索神经网络在某点处的曲率,为训练是否收敛提供数值依据。

计算黑塞矩阵

在MindSpore中,我们可以通过jacfwd和jacrev的任意组合来计算黑塞矩阵。

python 复制代码
Din = 32
Dout = 16
weight = ops.randn(Dout, Din)
bias = ops.randn(Dout)
x = ops.randn(Din)

hess1 = jacfwd(jacfwd(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess2 = jacfwd(jacrev(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess3 = jacrev(jacfwd(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess4 = jacrev(jacrev(forecast, grad_position=2), grad_position=2)(weight, bias, x)

np.allclose(hess1.asnumpy(), hess2.asnumpy())
np.allclose(hess2.asnumpy(), hess3.asnumpy())
np.allclose(hess3.asnumpy(), hess4.asnumpy())

计算黑塞-向量积

计算黑塞-向量积(Hessian-vector product, hvp)的最直接的方法计算一个完整的黑塞矩阵,并将其与向量进行点积运算。但MindSpore提供了更好的方法,使得不需要计算一个完整的黑塞矩阵,便可以计算黑塞-向量积。下面我们介绍计算黑塞-向量积的两种方法。

  • 将反向模式自动微分与反向模式自动微分组合。

  • 将反向模式自动微分与前向模式自动微分组合。

下面先介绍,在MindSpore中,如何使用反向模式自动微分与前向模式自动微分组合的方式计算黑塞-向量积,

python 复制代码
def hvp_revfwd(f, inputs, vector):
    return jvp(grad(f), inputs, vector)[1]

def f(x):
    return x.sin().sum()

inputs = ops.randn(128)
vector = ops.randn(128)

result_hvp_revfwd = hvp_revfwd(f, inputs, vector)
print(result_hvp_revfwd.shape)

如果前向自动微分不能满足要求,我们可以使用反向模式自动微分与反向模式自动微分组合的方式来计算黑塞-向量积,

python 复制代码
def hvp_revrev(f, inputs, vector):
    _, vjp_fn = vjp(grad(f), *inputs)
    return vjp_fn(*vector)

result_hvp_revrev = hvp_revrev(f, (inputs,), (vector,))
print(result_hvp_revrev[0].shape)
相关推荐
亿坊电商8 分钟前
AI数字人多模态技术如何提升用户体验?
人工智能·ux·ai数字人
不吃香菜?1 小时前
PyTorch 实现食物图像分类实战:从数据处理到模型训练
人工智能·深度学习
Jackilina_Stone1 小时前
【论文阅读】平滑量化:对大型语言模型进行准确高效的训练后量化
人工智能·llm·量化·论文阅读笔记
-曾牛1 小时前
企业级AI开发利器:Spring AI框架深度解析与实战
java·人工智能·python·spring·ai·rag·大模型应用
TMT星球1 小时前
商汤绝影生成式AI汽车新品亮相上海车展,引领AI汽车创新潮流
人工智能·汽车
Light601 小时前
智启未来:深度解析Python Transformers库及其应用场景
开发语言·python·深度学习·自然语言处理·预训练模型·transformers库 |·|应用场景
爱的叹息1 小时前
DeepSeek 大模型 + LlamaIndex + MySQL 数据库 + 知识文档 实现简单 RAG 系统
数据库·人工智能·mysql·langchain
数据智能老司机1 小时前
构建具备自主性的人工智能系统——在生成式人工智能系统中构建信任
深度学习·llm·aigc
PeterOne1 小时前
Trae MCP + Obsidian 集成如何缓解开发者的时间损耗
人工智能·trae
sduwcgg2 小时前
kaggle配置
人工智能·python·机器学习