深度学习自动求梯度

代码示例：

复制代码

import torch

# 创建一个标量张量 x，并启用梯度计算
x = torch.tensor(3.0, requires_grad=True)

# 计算 y = x^2
y = torch.pow(x, 2)

# 判断 x 和 y 是否需要梯度计算
print(x.requires_grad)  # 输出 x 的 requires_grad 属性
print(y.requires_grad)  # 输出 y 的 requires_grad 属性

# 反向传播，计算 y 对 x 的导数
y.backward()

# 查看 x 的梯度
print(x.grad)  # 输出 x 的梯度

代码详解：

代码一：

复制代码

x = torch.tensor(3.0, requires_grad=True)

在这行代码中，创建了一个 PyTorch 张量 x。

解释

torch.tensor(3.0):
- 这部分创建了一个张量，其值为 3.0。这是一个标量张量，数据类型为浮点数（float）。
requires_grad=True:
- 这个参数指定 PyTorch 需要跟踪该张量的所有操作，以便在后续的反向传播过程中计算梯度。换句话说，设置 requires_grad=True 使得这个张量在执行任何操作后，能够计算其梯度。

代码二：

复制代码

y = torch.pow(x, 2)

解释

torch.pow(x, 2):
- 这是 PyTorch 中的一个函数，用于计算 x 的幂。在这里，x 被提高到 2 的幂，即计算 (x^2)。
- 由于之前我们已经定义了 x = torch.tensor(3.0, requires_grad=True)，所以 torch.pow(x, 2) 实际上会计算 (3.0^2)，得到的结果是 9.0。
y = ...:
- 将计算得到的结果 9.0 存储在张量 y 中。由于 x 的 requires_grad 属性为 True，PyTorch 会自动设置 y 的 requires_grad 属性为 True，使得 y 也可以用于梯度计算。

代码三：

复制代码

y.backward()

y.backward() 是 PyTorch 中用于计算梯度的重要方法，它在反向传播过程中发挥着关键作用。

解释

y.backward() :
- 这行代码触发反向传播，以计算损失函数 y 相对于输入张量 x 的梯度。
- 在调用 backward() 方法之前，计算图已经构建完毕，y 是通过某些操作（例如 torch.pow(x, 2)）生成的张量。
- 当 backward() 被调用时，PyTorch 会从 y 开始，沿着计算图向后传播，计算所有需要计算梯度的张量的梯度。

自动微分

在 PyTorch 中，backward() 使用自动微分（automatic differentiation）来计算梯度。这意味着系统会自动根据张量间的运算关系，利用链式法则来计算每个张量的梯度。

计算过程

在之前的例子中，我们定义了 ( y = x^2 ) 并且 ( x = 3.0 )。
在反向传播过程中，PyTorch 计算 ( \frac{dy}{dx} ) 的值：
- 根据导数公式，( \frac{dy}{dx} = 2x )。
- 对于 ( x = 3.0 )，因此 ( \frac{dy}{dx} = 2 \times 3.0 = 6.0 )。
这个值会被存储在 x.grad 中，方便后续使用。

print(x.grad) 语句用于输出张量 x 的梯度值。

为了更好的理解什么是梯度，看下面示例代码：

示例二：

复制代码

import torch
x=torch.tensor(3.0,requires_grad=True)
y=torch.tensor(4.0,requires_grad=False)
z=torch.pow(x,2)+torch.pow(y,2)
print("x.requires_grad:",x.requires_grad)
print("y.requires_grad:",y.requires_grad)
print("z.requires_grad:",z.requires_grad)
z.backward()
print("x.grad:",x.grad)
print("y.grad:",y.grad)
print("z.grad:",z.grad)
print(z)

输出：

复制代码

x.requires_grad: True
y.requires_grad: False
z.requires_grad: True
x.grad: tensor(6.)
y.grad: None
z.grad: None
tensor(25., grad_fn=<AddBackward0>)

输出解释

可求导性检查:
- x.requires_grad: True 表示 x 是一个可求导的张量。
- y.requires_grad: False 表示 y 不是可求导的张量。
- z.requires_grad: True 表示 z 是可求导的，因为它是由可求导的张量 x 计算得出的。
梯度计算:
- 调用 z.backward() 时，计算了 z 关于 x 的梯度。
- y.grad 输出 None，因为 y 不可求导。
关于 z 的梯度:
- z.grad 输出 None，这是因为 z 不是叶子节点。只有叶子节点的 grad 属性会被自动设置。

我们在运行此段代码时会遇到一个警告：

大致意思是：

你在访问 z.grad 时遇到的警告提示你正在访问一个非叶子张量的梯度属性。此警告说明 z 不是一个叶子张量，因此其 .grad 属性在执行 backward() 时不会被填充。

叶子张量与非叶子张量

在 PyTorch 中，叶子张量 （leaf tensors）是指那些没有任何历史计算的张量，通常是由用户直接创建的张量（例如通过 torch.tensor() 创建）。而 非叶子张量 是由其他张量经过操作计算得出的张量（例如加法、乘法等操作生成的结果）。

为了使非叶子张量的 .grad 属性被填充，你可以在计算图中使用 .retain_grad() 方法。这将允许你在调用 backward() 后访问非叶子张量的梯度。

请看修改后的示例三：

示例三：

复制代码

import torch

# 创建一个可求导的张量 x 和一个不可求导的张量 y
x = torch.tensor(3.0, requires_grad=True)  # x 可求导
y = torch.tensor(4.0, requires_grad=False) # y 不可求导

# 定义函数 z = f(x, y) = x^2 + y^2
z = torch.pow(x, 2) + torch.pow(y, 2)

# 让 z 保留梯度
z.retain_grad()

# 打印每个张量的 requires_grad 属性
print("x.requires_grad:", x.requires_grad)  # 输出: True
print("y.requires_grad:", y.requires_grad)  # 输出: False
print("z.requires_grad:", z.requires_grad)  # 输出: True

# 反向传播以计算梯度
z.backward()

# 打印 x 和 y 的梯度
print("x.grad:", x.grad)  # 输出: tensor(6.)
print("y.grad:", y.grad)  # 输出: None
print("z.grad:", z.grad)  # 输出: tensor(1.)

为什么z的梯度为1或者z的导为1？

z 对自身的导数为1

举个例子：

y=x**2；

y对于x的导为2*x；

y对于自身的导为1。

深度学习 自动求梯度

代码示例：

代码详解：

代码一：

解释

代码二：

解释

代码三：

解释

为了更好的理解什么是梯度，看下面示例代码：

示例二：

输出解释

我们在运行此段代码时会遇到一个警告：

叶子张量与非叶子张量

请看修改后的示例三：

示例三：

深度学习自动求梯度