PyTorch 学习笔记 4 —— 自动计算梯度下降 AUTOGRAD

1. Tensors, Functions and Computational graph

torch.autograd 可以实现计算图中每一个单元的导数的自动计算，比如下面的计算图中w 和 b的导数计算按：

可以这样实现：

import torch

x = torch.ones(5)
y = torch.zeros(3)

w = torch.randn(5, 3, requires_grad=True)
b = torch.randn(3, requires_grad=True)

z = torch.matmul(x, w) + b
# or (z = x.matmul(w) + b)

loss = torch.nn.functional.binary_cross_entropy_with_logits(z, y)

参数 requires_grad=True 指定在进行前向计算时自动差分求导，计算完 Z 和 loss 后，tensor z 和 loss 会自动创建一个属性 grad_fn，它是一个 Function 对象，用于计算前向前向传播和 back propagation 求导。

print(f'Gradient function for z = {z.grad_fn}')
print(f'Gradient function for loss = {loss.grad_fn}')

---

2. Computing Gradients

通过调用 loss.backward() 可以做一次 BP，可以自动计算 $\frac{\partial loss}{\partial w}$ 和 $\frac{\partial loss}{\partial w}$，通过 w.grad 和 b.grad 获取
loss 对 w 和 b 的微分：

loss.backward()
print(w.grad)
print(b.grad)

# tensor([[0.1814, 0.0460, 0.3266],
#         [0.1814, 0.0460, 0.3266],
#         [0.1814, 0.0460, 0.3266],
#         [0.1814, 0.0460, 0.3266],
#         [0.1814, 0.0460, 0.3266]])
# tensor([0.1814, 0.0460, 0.3266])

注意
1 . We can only obtain the grad properties for the leaf nodes of the computational graph, which have requires_grad property set to True. For all other nodes in our graph, gradients will not be available.

2 . We can only perform gradient calculations using backward once on a given graph, for performance reasons. If we need to do several backward calls on the same graph, we need to pass retain_graph=True to the backward call.

---

3. Disabling Gradient Tracking

所有具有 requires_grad=True 的 tensors 都会记录计算过程并支持梯度计算，但有时我们不希望计算梯度信息，比如当我们指向让模型预测一些样本时，此时可以使用 torch.no_grad() 来停止所有梯度计算：

z = torch.matmul(x, w) + b
print(z.requires_grad)			# True

with torch.no_grad():
	z = torch.matmul(x, w) + b
print(z.requires_grad)			# False

此外，也可以使用 z.detach() ：

z = torch.matmul(x, w) + b
print(z.detach().requires_grad)	# False

判断模型性能时，需要在 with torch.no_grad() 条件下进行！

其他场景：frozen 网络中的一部分、模型微调、加速前向传播

---

4. forward & backward

前向传播

1 . 计算前向传播的结果，保存每一个 operation 的 grad_fn

后向传播

1 . 计算每一个 .grad_fn 对应的梯度值
2 . 将梯度值累加到对应 tensor 的 .grad 属性上
3 . 使用链式法则计算叶节点的梯度

---

REFERENCE:
1 . https://pytorch.org/tutorials/beginner/basics/autogradqs_tutorial.html#disabling-gradient-tracking

更多内容参考：PyTorch 学习笔记