Pytorch中的aytograd

·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。

·关于torch.Tensor

·torch.Tensor是整个package中的核心类，如果将属性.requires_grad设置为T​​​rue，​​​​​​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。

·关于torch.Function:

        ·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。

关于Tensor的操作

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

关于梯度Gradients

·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)

总结

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。