文章目录
- [1 计算图](#1 计算图)
- [2 叶子结点](#2 叶子结点)
- [2 自动求导](#2 自动求导)
-
- [2.1 示例](#2.1 示例)
- [2.2 权重求导](#2.2 权重求导)
- [4 梯度函数](#4 梯度函数)
本文环境：
- Pycharm 2025.1
- Python 3.12.9
- Pytorch 2.6.0+cu124
1 计算图
计算图是用来描述运算的有向无环图，由节点（Node）和边（Edge）组成。
- 结点表示数据（如向量，矩阵，张量）。
- 边表示运算（如加法、乘法、激活函数）。
表达式 y = ( x + w ) ∗ ( w + 1 ) y = (x + w) * (w + 1) y=(x+w)∗(w+1) 可拆解为：
- a = x + w a=x +w a=x+w
- b = w + 1 b=w+1 b=w+1
- y = a ∗ b y=a *b y=a∗b
在动态图中，每一步操作即时生成计算节点，可灵活插入调试代码。
| 特性 | 动态图（PyTorch） | 静态图（TensorFlow 1.x） |
|---|---|---|
| 搭建方式 | 运算与建图同时进行（即时执行） | 先定义完整计算图，再执行（延迟执行） |
| 灵活性 | 高，可随时修改计算流程 | 低，计算图固定后不可更改 |
| 调试难度 | 易调试（逐行执行） | 难调试（需先构建完整图） |
| 性能优化 | 运行时优化较少 | 可预先优化计算路径（如算子融合） |
2 叶子结点
- 叶子结点：用户创建的结点称为叶子结点（如 x 与 w），是计算图的根基。
- is_leaf：指示张量是否为叶子结点。
代码示例
python
import torch
w = torch.tensor(1., requires_grad=True)
x = torch.tensor(2., requires_grad=True)
a = w + x
b = w + 1
y = a * b
w.is_leaf, x.is_leaf, a.is_leaf, b.is_leaf, y.is_leaf
2 自动求导
自动梯度计算：通过构建计算图（Computational Graph）自动计算张量的梯度，无需手动推导。
tensor.backward()
gradient：多梯度权重。retain_graph：保留计算图（默认释放，用于多次反向传播）。create_graph：创建导数计算图（用于高阶求导）。inputs：梯度将被累积到 .grad 中的输入，所有其他张量将被忽略。如果没有提供，则梯度将被累积到用于计算：attr:tensors 的所有叶子张量
2.1 示例
例如，当 x = 2 , w = 1 x=2,w=1 x=2,w=1 时
y = x w 2 + ( x + 1 ) w + x y=xw^2+(x+1)w+x y=xw2+(x+1)w+x
\\begin{aligned}\\frac{\\partial y}{\\partial w}\&=\\frac{\\partial y}{\\partial a}\\frac{\\partial a}{\\partial w}+\\frac{\\partial y}{\\partial b}\\frac{\\partial b}{\\partial w}\\\\\&=b\*1+a\*1\\\\\&=(w+1)+(x+w)\\\\\&=2\*w+1\\\\\&=2\*1+2+1\\\\\&=5\\end{aligned}
代码示例
python
import torch
w = torch.tensor(1., requires_grad=True)
x = torch.tensor(2., requires_grad=True)
a = w + x
b = w + 1
y = a * b
y.backward()
w.grad, x.grad, a.grad, b.grad, y.grad
注意
- 反向传播后，非叶子节点（如
A,B,Y）的梯度默认被释放以节省内存。 - 使用
retain_grad()保留非叶子节点梯度。
代码示例
python
import torch
w = torch.tensor(1., requires_grad=True)
x = torch.tensor(2., requires_grad=True)
a = w + x
a.retain_grad() # 保留 a 的梯度
b = w + 1
y = a * b
y.backward()
w.grad, x.grad, a.grad, b.grad, y.grad
2.2 权重求导
代码示例
python
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = w + x
b = w + 1
y0 = a * b # (x + w) * (x + 1) dy0/dw = 5
y1 = a + b # (x + w) + (x + 1) dy1/dw = 2
loss = torch.cat([y0, y1], dim=0)
grad_tensors = torch.tensor([1., 1.])
loss.backward(gradient=grad_tensors) # [1., 1.] * [5., 2.]
w.grad, x.grad
将权重改为 [1., 2.]。
python
grad_tensors = torch.tensor([1., 2.])
loss.backward(gradient=grad_tensors) # [1., 2.] * [5., 2.]
w.grad, x.grad
torch.autograd.grad()
功能：求取梯度。
outputs：用于求导的张量，如 loss。inputs：需要梯度的张量。grad_outputs：多梯度权重。retain_graph：保存计算图。create_graph：创建导数计算图，用于高阶求导。only_inputs：当前已废弃（deprecated），会被直接忽略。allow_unused：控制是否允许输入中存在未被使用的变量。- 如果设为
False（默认值取决于materialize_grads），当输入的某些变量在前向计算中未被使用时，会直接报错（因为这些变量的梯度始终为零）。 - 如果设为
True，则跳过这些未使用的变量，不会报错，其梯度返回None。
- 如果设为
is_grads_batched：是否将grad_outputs的第一维度视为批处理维度。如果设为True，会使用 PyTorch 的vmap原型功能，将grad_outputs中的每个向量视为一个批处理样本，一次性计算整个批量的向量-雅可比积（而非手动循环计算）。materialize_grads：控制是否将未使用输入的梯度显式置零（而非返回None）。- 如果设为
True，未被使用的输入的梯度会返回零张量；若设为False，则返回None。 - 如果
materialize_grads=True且allow_unused=False，会直接报错（因为逻辑冲突）。
- 如果设为
代码示例
python
x = torch.tensor([3.], requires_grad=True) # x = 3
y = x * x # y = x^2
grad_1 = torch.autograd.grad(y, x, create_graph=True) # 1 阶导：y = 2x
grad_2 = torch.autograd.grad(grad_1, x) # 2 阶导：y = 2
grad_1, grad_2
autograd 小贴士
-
梯度不自动清零。
pythonw = torch.tensor([1.], requires_grad=True) x = torch.tensor([2.], requires_grad=True) for i in range(3): a = w + x b = w + 1 y = a * b y.backward() print(w.grad, x.grad) # w.grad.zero_() # 梯度不自动清零，则会累加 # x.grad.zero_()
-
依赖于
requires._grad = True叶子结点的结点，requires._grad默认为True。pythonw = torch.tensor([1.], requires_grad=True) x = torch.tensor([2.], requires_grad=True) a = w + x b = w + 1 y = a * b a.requires_grad, b.requires_grad, y.requires_grad
-
叶子结点不可执行
in-place操作原地修改数据，否则自动求导结果会出现错误。pythona = torch.ones((1, )) print(id(a), a) a = a + 1 print(id(a), a) a += 1 # in-place 操作原地修改数据 print(id(a), a)
4 梯度函数
grad_fn：记录创建张量时的运算方法，用于反向传播时的求导规则。
y.grad_fn=<MulBackward0>a.grad_fn=<AddBackward0>b.grad_fn=<AddBackward0>
代码示例
python
w.grad_fn, x.grad_fn, a.grad_fn, b.grad_fn, y.grad_fn