Pytorch学习——梯度下降和反向传播 03 未完

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

文章目录

1 梯度是什幺

通俗的来说就是学习（ 参数更新 ）的方向。

简单理解，（对于低维函数来讲）就是 导数 （或者是变化最快的方向）

2 判断模型好坏的方法

回归损失

l o s s = ( Y p r e d i c t − Y t r u e ) 2 loss = (Y_{predict} – Y_{true})^2 l oss = ( Y p re d i c t ​ − Y t r u e ​ ) 2

分类损失

l o s s = Y t r u e ⋅ l o g ( Y p r e d i c t ) loss = Y_{true} · log(Y_{predict}) l oss = Y t r u e ​ ⋅ l o g ( Y p re d i c t ​ )

3 前向传播

J ( a , b , c ) = 3 ( a + b c ) J(a, b, c) = 3(a + bc) J ( a , b , c ) = 3 ( a + b c ) ， 令 u = a + v u = a+v ， v = b c v = bc b c ，把它绘制成计算图可以表示为：

绘制成计算图之后，可以清楚的看到前向计算的过程。

4 反向传播

对每个节点求偏导可以有：

反向传播就是一个从右到左的过程，自变量 a , b , c a,b,c a , b , c 各自的骗到就是连线上梯度的乘积

5 Pytorch中反向传播和梯度计算的方法

5.1 前向计算

对于Pytorch中的一个tensor，如果设置它的属性， .require_grad=True ，那幺会追踪对于该张量的所有操作。

默认值为None

import torch
x = torch.ones(2, 2, requires_grad=True)
print(x)
y = x+2
print(y)
z = y*y*3
print(z)

输出：

tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
tensor([[3., 3.],
        [3., 3.]], grad_fn=<AddBackward0>)
tensor([[27., 27.],
        [27., 27.]], grad_fn=<MulBackward0>)

总结：

（1）之后的每次计算都会修改其 grad_fn 属性，用来记录做过的操作；

（2）通过这个函数和 grad_fn 可以生成计算图。

注意

为了防止跟踪历史记录，可以将代码包装在 with torch.no_grad 中。表示不需要追中这一块的计算。

import torch
x = torch.ones(2, 2, requires_grad=True)
print(x)
y = x+2
print(y)
z = y*y*3
print(z)
with torch.no_grad():
    u = x+y+z
print(u)

tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
tensor([[3., 3.],
        [3., 3.]], grad_fn=<AddBackward0>)
tensor([[27., 27.],
        [27., 27.]], grad_fn=<MulBackward0>)
tensor([[31., 31.],
        [31., 31.]])

5.2 梯度计算

可以使用 backward() 方法来进行反向传播，计算梯度 out.backward() ，此时能方便求出导数。

调用 x.grad() 可以获取导数值。

注意：

在输入是一个标量的情况下，可以调用输出 tensor 的 backward() 方法，但是在输出是一个向量的时候，调用 backward 时要传入其他参数。

5.3 torch.data

当tensor的 require_grad 为false的时候， a.data 等同于 a

当tensor的 require_grad 为True的时候， a.data 表示仅仅获取其中的数据

5.4 tensor.numpy

require_grad=True 不能够直接转换，需要用 torch.detach().numpy()

detach相当于是深拷贝

相当于把原来的tensor数据“抽离”出来，并部影响原来的tensor，然后进行深拷贝，转化为numpy数据。