pytorch中链式法则求解梯度

链式法则,就是复合函数求导的规则 ,也是 PyTorch 自动求导的数学本质 。

我用最直白、一步一步的方式讲清楚,看完你就懂反向传播到底在算什么。


一、什么是链式法则?

一句话:
对复合函数求导,等于把每一步的导数乘起来。

公式:


二、最简单例子:一步链式

非常简单。


三、经典神经网络式例子(真正理解反向传播)

我们用一个真实的"计算图"结构:

这就是链式法则在神经网络里的真实用法 。

反向传播本质就是:
从损失 L 出发,沿着计算图往回走,一路把局部导数乘起来。


四、再复杂一点:多层链式(真正像神经网络)

每一步都是局部导数相乘 。

这就是深度网络反向传播的全部数学原理。


五、链式法则 + 计算图 = PyTorch 自动求导

PyTorch 做的事情非常简单:

  1. 前向传播:
    构建计算图,记录每一步操作
  2. 反向传播:
    从 loss 开始,沿着计算图反向遍历
    对每个算子,算出局部导数
    然后一路相乘 (链式法则)
    最终得到参数的梯度

所以:
自动求导 = 计算图 + 链式法则


六、一句话总结

链式法则就是:
复合函数求导 = 路径上所有局部偏导数相乘。

反向传播就是:
从损失往输入反向走,用链式法则把梯度一路乘回参数。

下面给你画清晰的计算图 + 梯度反向流动(链式法则),用文字+结构画出来,一眼看懂。


1. 我们的模型


2. 前向计算图(数据流向:左 → 右)

复制代码
        x (1.0)
           \
            \ *
             \
              y = x*w (2.0)  →  L = y² (4.0)
             /
            /
        w (2.0)

这就是计算图。


3. 反向梯度流(链式法则:右 → 左)

梯度从损失 L 往回传,每一步都是乘上局部导数。

复制代码
        x
         ↑
     dy/dw = x
         ↑
        y  ←─────────── L
     dy/dy=1        dL/dy=2y
                   (这里是 4)

完整链式路径:


4. 梯度流动画(最直观)

复制代码
正向:
x(1)  ──[×w]──>  y(2)  ──[²]──>  L(4)

反向(链式相乘):
L  ←──[dL/dy=2y=4]──  y  ←──[dy/dw=x=1]──  w

所以:
dL/dw = 4 × 1 = 4

5. 再画一个带偏置 b 的通用版(神经网络标准结构)

复制代码
正向:
x
 \
  \ * w
   \
    + → y → L
   /
b /

反向链式:
dL/dw = dL/dy * dy/dw = dL/dy * x
dL/db = dL/dy * dy/db = dL/dy * 1

一句话记住

反向传播 = 沿着计算图往回走,一路用链式法则把梯度乘起来。

相关推荐
羲云网络2 小时前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
snakeshe10102 小时前
ChatGLM行业垂直领域微调实战:从需求分析到数据集加载完整流程
人工智能
欢乐马87913 小时前
优化|MPSolver 和 pywraplp 到底谁是谁?一次讲清 OR-Tools 的三层结构
python
mengge.cloud4 小时前
Python基础保姆级!从入门到入土
开发语言·python·云原生·pygame
智联视频超融合平台6 小时前
视频 AI 的误报之战,正在从调参数卷到改架构
人工智能·大模型·边缘计算·视频监控·安防
水如烟6 小时前
孤能子视角:智能的边界不在算法强弱,在可形式化性——从概率法到因果推理,选择池的边界一直在那里
人工智能
万里侯8 小时前
日志聚类之后别把 noise 扔掉:降噪应该改变视图,不抹掉证据
人工智能·微服务·ai·容器·k8s
澹锦汐8 小时前
纯前端秋日银杏与枫叶落叶色板智能聚类器:基于 K-Means 色彩量化与直方图自动配方提取
前端·人工智能·ai·语言模型·vue·react·k-means
qq_158895411119 小时前
Suno-API 是什么?官方 V6 模型与 Python / TypeScript 接入指南
python·ai音乐·suno api