基于PyTorch的深度学习入门教程（三）——自动梯度

前言

本文参考PyTorch官网的教程，分为五个基本模块来介绍PyTorch。为了避免文章过长，这五个模块分别在五篇博文中介绍。

Part1：PyTorch简单知识

Part2：PyTorch的自动梯度计算

Part3：使用PyTorch构建一个神经网络

Part4：训练一个神经网络分类器

Part5：数据并行化

本文是关于Part2的内容。

 

Part2：PyTorch的自动梯度计算

 

autograd package是PyTorch中所有神经网络的核心。先了解一些基本知识，然后开始训练第一个神经网络。autograd package提供了Tensors上所有运算的自动求导功能。它是一个按运行定义（define-by-run）的框架，这意味着反向传播是依据代码运行情况而定义的，并且每一个单次迭代都可能不相同。

 

1 变量（Variable）

autograd.Variable 是这个package的中心类。它打包了一个Tensor，并且支持几乎所有运算。一旦你完成了你的计算，可以调用.backward()，所有梯度就可以自动计算。

你可以使用.data属性来访问原始tensor。相对于变量的梯度值可以被积累到.grad中。

 

这里还有一个类对于自动梯度的执行是很重要的：Function（函数）

变量和函数是相互关联的，并且建立一个非循环图。每一个变量有一个.grad_fn属性，它可以引用一个创建了变量的函数（除了那些用户创建的变量——他们的grad_fn是空的）。

如果想要计算导数，可以调用Variable上的.backward()。如果变量是标量（只有一个元素），你不需要为backward()确定任何参数。但是，如果它有多个元素，你需要确定grad_output参数（这是一个具有匹配形状的tensor）。

 

import torchfrom torch.autograd import Variable

 

创建一个变量：

x = Variable(torch.ones(2, 2), requires_grad=True)print(x)

 

对变量做一个运算：

y = x + 2print(y)

 

y作为一个运算的结果被创建，所以它有grad_fn。

print(y.grad_fn)

 

在y上做更多的运算：

z = y * y * 3out = z.mean()print(z, out)

 

2 梯度（Gradients）

现在来做反向传播。out.backward()等价于out.backward(torch.Tensor([1.0]))。

out.backward()

打印梯度 d(out)/dx

print(x.grad)

 

你应该会得到一个元素为4.5的矩阵。

 

你可以使用autograd做很多疯狂的事情。

x = torch.randn(3)x = Variable(x, requires_grad=True)y = x * 2while y.data.norm() < 1000:    y = y * 2print(y)

gradients = torch.FloatTensor([0.1, 1.0, 0.0001])y.backward(gradients)print(x.grad)