241130_昇思MindSpore函数式自动微分

函数式自动微分是Mindspore学习框架所特有的，更偏向于数学计算的习惯。这里也是和pytorch差距最大的部分，具体体现在训练部分的代码，MindSpore是把各个梯度计算、损失函数计算

在这幅图中，右边这个就是函数式编程，首先先自己定义一个loss函数，最后一行使用grad（），把loss function传进去，因为传进去的是一个函数，做的是一个函数闭包，所以返回的还是一个函数。

首先是先正向计算，得到一个logits，然后会计算这个logits和真实的targets的误差loss，然后反向传播backwards，得到梯度，然后再送到优化器里面去更新网络权重。

MindSpore是整图计算，将模型的前向、反向、梯度更新过程全部视为一个完整的计算图，这样就有效提高了执行速度，但是带来的弊端就是代码不好书写，和pytorch差异较大，但到了2.0就得到了有效解决。

MindSpore后来使用面向对象+函数式混合使用，1-2和pytorch一样，后面3-6和原来的函数式编程一样。

1、用类构建神经网络

2、实例化Network对象

3、Network+Loss直接构造正向函数

4、函数变换，获得梯度计算（反向传播）函数

5、构造训练过程函数

6、调用函数进行训练

具体实现看以下代码：

看右边pytorch的代码就可以很直观的看出来上面说的计算流程的几步。

正向计算得到logits

python 复制代码

logits=net(inputs)

计算logits和target的误差loss

python 复制代码

loss=loss_fn(logits,targets)

反向传播backward

python 复制代码

loss.backward()

送到优化器里去更新网络权重

python 复制代码

optimizer.step()

以上是pytorch对应步骤的代码

相对来说MindSpore没有那么直观，但逻辑上都是一样的。

首先，MindSpore这边正向计算需要定义一个函数方法，里面写了loss的计算

python 复制代码

def forword_fn(inputs,targets):
    logits=net(inputs)
    loss=loss_fn(logits,targets)
    return loss

然后把整个方法作为参数传入value_and_grad方法，做一个函数闭包，然后得到一个同样的grad_fn方法（第三个参数往往是net的所有可训练参数，看上图mindspore这边第三行代码也能看出来）。

python 复制代码

grad_fn=value_and_grad(forward_fn,None,optim.parameters)

训练的每个step我们也需要定义一个方法，里面把刚才得到的grad_fn方法拿过来，一次得到损失loss和梯度grads，然后直接把梯度传进优化器进行更新权重。

PYTHON 复制代码

def train_step(inputs,targets):
    loss,grads=grad_fn(inputs,targets)
    optimizer(grads)
    return loss

在实际epoch循环中，我们只需要读入data和其targets，然后直接传入单步训练的train_step就可以了

其实要说函数式微分的话，封装的第一个forward_fn已经是函数式微分了，train_step反而不像函数式微分，就是一个单纯的计算，没有涉及到函数闭包，函数套函数这样的写法，那为什么还要封装呢。

这里就涉及到MindSpore想实现加速的问题，实现整图下发，避免来回传输数据受到的带宽限制，具体实现只需要给train_step上方添加一行修饰器代码

python 复制代码

@ms.jit

接下来我们将定义几个变量x，y，w，b，z

x是输入，y是真实targets，w是权重，b是偏置，z是我们计算得到的label

w和b是我们要优化的东西

x置全1矩阵，y给全0矩阵，w和b随机给个初始值

然后可以构建一个loss计算的fuction

然后就是使用函数式微分，函数套函数，计算梯度

简单来说，就是你如果计算loss的哪个fuction返回多个参数的话，传入计算梯度的方法，计算结果就会出现偏差，这时候我们就要调用接口去实现stop_gradient（也不算手动实现吧。就是输出的时候嵌套一下）

我们在loss里面返回的z，现在看起来也没用，即返回了，又要排除他的影响，那为什么还要返回呢，数据又拿不出来。其实不对，数据是可以拿出来的。

调用grad_fn的时候我们就可以拿到这个数据，相当于z只是到grad_fn中转了一圈，没干什么。

接下来主要就是一个没有封装train_step的操作方法，主要逻辑上文也说过的，这里也不再赘述

候我们就可以拿到这个数据，相当于z只是到grad_fn中转了一圈，没干什么。

[外链图片转存中...(img-3PZXndA7-1732978830210)]

接下来主要就是一个没有封装train_step的操作方法，主要逻辑上文也说过的，这里也不再赘述