『PyTorch』第三弹_自动求导

torch.autograd.Variable是Autograd的核心类,它封装了Tensor,并整合了反向传播的相关实现

Varibale包含三个属性:

  • data:存储了Tensor,是本体的数据
  • grad:保存了data的梯度,本事是个Variable而非Tensor,与data形状一致
  • grad_fn:指向Function对象,用于反向传播的梯度计算之用

data

import torch as t
from torch.autograd import Variable

x = Variable(t.ones(2, 2), requires_grad = True)
x  # 实际查询的是.data,是个Tensor

实际上查询x和查询x.data返回结果一致,

Variable containing:

 1 1

 1 1

 [torch.FloatTensor of size 2x2]

梯度求解

构建一个简单的方程:y = x[0,0] + x[0,1] + x[1,0] + x[1,1],Variable的运算结果也是Variable,但是,中间结果反向传播中不会被求导()

这和TensorFlow不太一致,TensorFlow中中间运算果数据结构均是Tensor,

y = x.sum()

y
"""
  Variable containing:
   4
  [torch.FloatTensor of size 1]
"""

 

可以查看目标函数的.grad_fn方法,它用来求梯度,

y.grad_fn
"""
    <SumBackward0 at 0x18bcbfcdd30>
"""

y.backward()  # 反向传播
x.grad  # Variable的梯度保存在Variable.grad中
"""
  Variable containing:
   1  1
   1  1
  [torch.FloatTensor of size 2x2]
"""

 

grad属性保存在Variable中,新的梯度下来会进行累加,可以看到再次求导后结果变成了2,

y.backward()
x.grad  # 可以看到变量梯度是累加的
"""
    Variable containing:
     2  2
     2  2
    [torch.FloatTensor of size 2x2]
"""

 

所以要归零,

x.grad.data.zero_()  # 归零梯度,注意,在torch中所有的inplace操作都是要带下划线的,虽然就没有.data.zero()方法

"""
 0  0
 0  0
[torch.FloatTensor of size 2x2]
"""

 

对比Variable和Tensor的接口,相差无两,

Variable和Tensor的接口近乎一致,可以无缝切换

x = Variable(t.ones(4, 5))

y = t.cos(x)                         # 传入Variable
x_tensor_cos = t.cos(x.data)  # 传入Tensor

print(y)
print(x_tensor_cos)

"""
Variable containing:
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
[torch.FloatTensor of size 4x5]


 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
[torch.FloatTensor of size 4x5]
"""

 

分类:

技术点:

相关文章: