·在整个Pytorch框架中,所有的神经网络本质上都是一个autograd package(自动求导工具包)
·autograd package提供了一个对Tensors上所有的操作进行自动微分的功能。
·torch.Tensor是整个package中的核心类,如果将属性.requires_grad设置为True,它将追踪在这个类上定义的所有操作。当代码要进行反向传播的时候,直接调用.backward()就可以自动计算所有的梯度。在这个Tensor上的所有梯度将被累加进属性.grad中。
·requires_grad=True 的作用是让 backward 可以追踪这个参数并且计算它的梯度。最开始定义你的输入是 requires_grad=True ,那么后续对应的输出也自动具有 requires_grad=True
·如果想终止一个Tensor在计算图中的追踪回溯,只需执行.detach()就可以将该Tensor从计算图中撤下,在未来的回溯计算中也不会再计算该Tensor。
·除了.detach(),如果想终止对计算图的回溯,也就是不再进行方向传播求导的过程,也可以采用代码块的方式with torch.no_grad():,这种方式非常适用于对模型进行预测的时候,因为预测阶段不再需要对梯度进行计算。
·Function类是和Tensor类同等重要的一个核心类,它和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个.grad_fn属性,代表引用了哪个具体的Function创建了该Tensor
·如果某个张量Tensor是用户自定义的,则对应的grad_fn is None。
import torch
x1 = torch.ones(3, 3)
print(x1)
x = torch.ones(2, 2, requires_grad=True)
print(x)
·输出结果
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
·在具有requires_grad=True的Tensor上执行一个加法操作
y = x + 2
print(y)
·输出结果
tensor([[3., 3.],
[3., 3.]], grad_fn=)
·打印Tensor的gard_fn属性:
print(x.grad_fn)
print(y.grad_fn)
·输出结果
None
·在Tensor上执行更复杂的操作
z = y * y * 3
out = z.mean()
print(z, out)
·输出结果
tensor([[27., 27.],
[27., 27.]], grad_fn=) tensor(27., grad_fn=)
·关于方法.requires_gard_():该方法可以改变Tensor的属性.requires_grad的值。如果没有主动设定默认值为False.
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
·输出结果
False
True
·在Pytorch中,反向传播是依靠.backward()实现的。
out.backward()
print(x.grad)
·输出结果
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
关于自动求导的属性设置:可以通过设置.requires_grad=True来执行自动求导,也可以通过代码块的限制来停止自动求导。
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
·输出结果
True
True
False
·可以通过.detach()获得一个新的Tensor,拥有相同的内容但不需要自动求导。
print(x.requires_grad)
y = x.detach()
print(y.requires_grad)
print(x.eq(y).all())
·输出结果
True
False
tensor(True)
torch.Tensor类的相关概念。
·torch.Tensor是整个package中的核心类,如果将属性.requires_grad设置为True,他将追 踪在这个类上定义的所有操作。当代码要进行反向传播的时候,直接调用.backward()就可以 自动计算所有类的梯度。在这个Tensor上的所有梯度将被累加进属性.grad中。
·执行.detach()命令,可以将Tenser从计算图中撤下,在未来回溯计算中不会再计算该 Tensor。
·采用代码块的方式也可以终止对计算图的回溯;
·with torch.no_grad():
关于Tensor的若干操作:
·torch.ones(n, n, requires_grad=True)
·x.grad_fn
·a.requires_grad_(True)
关于Gradients的属性:
·x.grad
·可以通过.detach()获得一个新的Tensor,拥有相同的内容但不需要自动求导。