pytorch API之求导函数

利用GRAD求导

我们在用神经网络求解PDE时， 经常要用到输出值对输入变量（不是Weights和Biases）求导； 在训练WGAN-GP 时， 也会用到网络对输入变量的求导。以上两种需求， 均可以用pytorch 中的autograd.grad() 函数实现。

autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False)

outputs: 求导的因变量（需要求导的函数）

inputs: 求导的自变量

grad_outputs: 如果 outputs为标量，则grad_outputs=None,也就是说，可以不用写; 如果outputs 是向量，则此参数必须写，不写将会报如下错误：

那么此参数究竟代表着什么呢？

先假设$x,y$为一维向量, 即可设自变量因变量分别为:

grad_outputs 是一个shape 与 outputs 一致的向量, 即

在给定grad_outputs 之后，真正返回的梯度为

为方便下文叙述我们引入记号 $grad=J\otimes grad{e}_{o}utputs$
其次假设 KaTeX parse error: Undefined control sequence: \time at position 50: ….y_2) \in R^{s \̲t̲i̲m̲e̲ ̲t} ,第i个列向量对应的Jacobi矩阵为KaTeX parse error: Undefined control sequence: \leqt at position 15: J_i, 1 \leq i \̲l̲e̲q̲t̲.
此时的grad_outputs 为(维度与outputs一致)
KaTeX parse error: Undefined control sequence: \time at position 40: …,go_t)\in R^{s \̲t̲i̲m̲e̲ ̲t}
由第一种情况， 我们有
$$grad=\sum _t^{i=1}{j}_i\otimes g{o}_i$$
也就是说对输出变量的列向量求导，再经过权重累加。
若 $x=(x_1,...,x_p)\in R^{n\times p},y\in R^m$沿用第一种情况记号
$grad=(gra{d}_1,...gra{d}_p)$, 其中每一个$gra{d}_i$均由第一种方法得出，
即对输入变量列向量求导，之后按照原先顺序排列即可。

retain_graph: True 则保留计算图， False则释放计算图
create_graph: 若要计算高阶导数，则必须选为True
allow_unused: 允许输入变量不进入计算

代码示例

import torch
from torch import autograd
 
x = torch.rand(3, 4)
x.requires_grad_()
1
2
3
4
5

观察 x 为

不妨设 y 是 x 所有元素的和， 因为 y是标量，故计算导数不需要设置grad_outputs

y = torch.sum(x)
grads = autograd.grad(outputs=y, inputs=x)[0]
print(grads)
1
2
3

结果为

若y是向量

y = x[:,0] +x[:,1]
# 设置输出权重为1
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.ones_like(y))[0]
print(grad)
# 设置输出权重为0
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.zeros_like(y))[0]
print(grad)
1
2
3
4
5
6
7

结果为

最后， 我们通过设置 create_graph=True 来计算二阶导数

y = x ** 2
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.ones_like(y), create_graph=True)[0]
grad2 = autograd.grad(outputs=grad, inputs=x, grad_outputs=torch.ones_like(grad))[0]
print(grad2)
1
2
3
4

结果为

利用autograd.grad方法求导数

import numpy as np 
import torch 
# f(x) = a*x**2 + b*x + c的导数
x = torch.tensor(0.0,requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c

# create_graph 设置为 True 将允许创建更高阶的导数 
dy_dx = torch.autograd.grad(y,x,create_graph=True)[0]
print(dy_dx.data)
# 求二阶导数
dy2_dx2 = torch.autograd.grad(dy_dx,x)[0] 
print(dy2_dx2.data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出：

tensor(-2.)
tensor(2.)

import numpy as np 
import torch 
x1 = torch.tensor(1.0,requires_grad = True) # x需要被求导
x2 = torch.tensor(2.0,requires_grad = True)
y1 = x1*x2
y2 = x1+x2

# 允许同时对多个自变量求导数
(dy1_dx1,dy1_dx2) = torch.autograd.grad(outputs=y1,
                inputs = [x1,x2],retain_graph = True)
print(dy1_dx1,dy1_dx2)
# 如果有多个因变量，相当于把多个因变量的梯度结果求和
(dy12_dx1,dy12_dx2) = torch.autograd.grad(outputs=[y1,y2],
            inputs = [x1,x2])
print(dy12_dx1,dy12_dx2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出：

tensor(2.) tensor(1.)
tensor(3.) tensor(2.)

利用backward()求导

backward方法通常在一个标量张量上调用，该方法求得的梯度将存在对应自变量张量的grad属性下。如果调用的张量非标量，则要传入一个和它同形状的gradient参数张量。相当于用该gradient参数张量与调用张量作向量点乘，得到的标量结果再反向传播。

标量的反向传播

import numpy as np 
import torch 
# f(x) = a*x**2 + b*x + c的导数
x = torch.tensor(0.0,requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c 
y.backward()
dy_dx = x.grad
print(dy_dx)
1
2
3
4
5
6
7
8
9
10
11

输出：

tensor(-2.)

非标量的反向传播

import numpy as np 
import torch 
# f(x) = a*x**2 + b*x + c
x = torch.tensor([[0.0,0.0],[1.0,2.0]],requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c 
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
print("x:",x)
print("y:",y)
y.backward(gradient = gradient)
x_grad = x.grad
print("x_grad:",x_grad)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

输出：

x: tensor([[0., 0.], [1., 2.]], requires_grad=True)
y: tensor([[1., 1.], [0., 1.]], grad_fn=)
x_grad: tensor([[-2., -2.], [ 0., 2.]])

非标量的反向传播可以用标量的反向传播实现

import numpy as np 
import torch 
# f(x) = a*x**2 + b*x + c
x = torch.tensor([[0.0,0.0],[1.0,2.0]],requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c 
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
z = torch.sum(y*gradient)
print("x:",x)
print("y:",y)
z.backward()
x_grad = x.grad
print("x_grad: ",x_grad)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出：

x: tensor([[0., 0.], [1., 2.]], requires_grad=True)
y: tensor([[1., 1.], [0., 1.]], grad_fn=)
x_grad: tensor([[-2., -2.], [ 0., 2.]])

利用自动微分和优化器求最小值

import numpy as np 
import torch 
# f(x) = a*x**2 + b*x + c的最小值
x = torch.tensor(0.0,requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
optimizer = torch.optim.SGD(params=[x],lr = 0.01)

def f(x):
    result = a*torch.pow(x,2) + b*x + c 
    return(result)
for i in range(500):
    optimizer.zero_grad()
    y = f(x)
    y.backward()
    optimizer.step()   
    
print("y=",f(x).data,";","x=",x.data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

输出：

y= tensor(0.) ; x= tensor(1.0000)

参考

https://www.w3cschool.cn/article/4182917.html