PyTorch定义新的自动求导（Autograd） 函数

PyTorch定义新的自动求导（Autograd） 函数

pytorch官网提供了定义新的求导函数的方法（链接放在文章末尾了），官网举的例子，可能我比较笨，愣是反应了好一会儿才理解。这篇博客主要讲 PyTorch求导的计算，以及定义新的自动求导函数，它怎么用。

---

pytorch求导时，用的是链式求导法则，例如：
$y=k\ast fun1(c\ast x)+b$，其中$fun1(p)=p^2$ （$y$的表达式里 $p=c\ast x$）
比如这个式子，我们来求一下 $k,c和b$ 关于 $y$ 的导数 :

• $$\mathrm{d}k=\frac{\partial y}{\partial k}=fun1(c\ast x)=(cx{)}^2$$
• $$\mathrm{d}b=\frac{\partial y}{\partial b}=1$$
• $$\mathrm{d}c=\frac{\partial y}{\partial fun1}\ast \frac{\partial fun1}{\partial p}\ast \frac{\partial p}{\partial c}=k\ast 2p\ast x=k\ast 2cx\ast x$$

---

假设 $x=12,k=0.5,b=0.7,c=0.2$, 那么我们算出来的梯度

• $dk=fun1(c\ast x)=fun1(2.4)=5.76$
• $db=1$
• $dc=k\ast (2\ast (c\ast x))\ast x=28.8$

我们来验证一下

import torch
def fun1(par):
    out = par**2
    return out
x = torch.tensor([12])
k = torch.full((), 0.5, requires_grad=True) #定义可训练参数k,b,c 初始值均设为0.5,0.7和0.2
b = torch.full((), 0.7, requires_grad=True)
c = torch.full((), 0.2, requires_grad=True)
y = k*fun1(c * x) +b
y.backward()
print(k.grad)
print(b.grad)
print(c.grad)

运行结果如下：

推理正确；

---

那么，如果我们此时想自定义 $$\frac{\partial fun1}{\partial p}$$
也就是自定义fun1函数的求导过程。
我们定义
$$\frac{\partial fun1}{\partial p}=p$$
那么：
$$\mathrm{d}c=\frac{\partial y}{\partial fun1}\ast \frac{\partial fun1}{\partial p}\ast \frac{\partial p}{\partial c}=k\ast p\ast x=k\ast cx\ast x=14.4$$
验证代码如下：

import torch

class fun1(torch.autograd.Function):
    @staticmethod
    def forward(ctx, input):
        ctx.save_for_backward(input)
        out = input**2  #定义前向传播函数fun1= input**2
        return out

    @staticmethod
    def backward(ctx, grad_output):
        
        input, = ctx.saved_tensors
        return grad_output * input #定义dfun1/dinput = input

fun = fun1.apply
x = torch.tensor([12])
k = torch.full((), 0.5, requires_grad=True) #定义可训练参数k,b,初始值均设为0.3
b = torch.full((), 0.7, requires_grad=True)
c = torch.full((), 0.2, requires_grad=True)
y = k*fun(c * x) +b
y.backward()
print(c.grad)

运行结果如下：

---

我们定义
$$\frac{\partial fun1}{\partial p}=1$$
那么：
$$\mathrm{d}c=\frac{\partial y}{\partial fun1}\ast \frac{\partial fun1}{\partial p}\ast \frac{\partial p}{\partial c}=k\ast 1\ast x=6$$

验证代码如下：

import torch

class fun1(torch.autograd.Function):
    @staticmethod
    def forward(ctx, input):
        ctx.save_for_backward(input)
        out = input**2  #定义前向传播函数fun1= input**2
        return out

    @staticmethod
    def backward(ctx, grad_output):
        
        input, = ctx.saved_tensors
        return grad_output * 1 #定义dfun1/dinput = 1

fun = fun1.apply
x = torch.tensor([12])
k = torch.full((), 0.5, requires_grad=True) #定义可训练参数k,b,初始值均设为0.3
b = torch.full((), 0.7, requires_grad=True)
c = torch.full((), 0.2, requires_grad=True)
y = k*fun(c * x) +b
y.backward()
print(c.grad)

运行结果如下：

总结

总的来说，这篇博客就是解释了官方定义的求导函数是怎么求导的，给出了计算过程；解释了官方自定义求导函数，定义的是哪一部分的函数。
官方链接：PyTorch：定义新的 Autograd 函数