- PyTorch计算机视觉实战：目标检测、图像处理与深度学习
- (印)V·基肖尔·阿耶德瓦拉等
- 557字
- 2024-06-06 18:06:15
2.2.3 张量对象的自动梯度
微分和计算梯度在更新神经网络的权重中起着关键的作用。PyTorch的张量对象自带了计算梯度的内置功能。
在本节中，我们将了解如何使用PyTorch计算张量对象的梯度。
下列代码可以从本书的GitHub存储库（https://tinyurl.com/mcvp-packt）Chapter02文件夹中的Auto_gradient_of_tensors.ipynb获得。
1.定义一个张量对象，并指定要为张量对象计算梯度：
在上述代码中，requires_grad参数指定要为张量对象计算梯度。
2.接下来，定义计算输出的方式，在这个特定的例子中，输出是所有输入的平方和：
相应的代码如下：
我们知道前一个函数的梯度是2×x，下面使用PyTorch提供的内置函数来验证这一点。
3.可以通过对某个值调用backward()方法来计算该值的梯度。在这个例子中，计算梯度——对于x（输入）的一个小变化，out（输出）的变化——如下所示：
4.现在可以得到out关于x的梯度，如下所示：
图2-5
结果如图2-5所示。
注意，上述梯度值与直观的梯度值（即x值的2倍）是匹配的。
作为练习，可以试着使用PyTorch重现第1章中chain rule.ipynb的场景。在一次前向传播之后计算梯度，并做出一次权重更新。然后，验证更新的权重与在notebook中计算的值匹配。
到目前为止，我们已经学习了在张量对象上的初始化、运算和梯度计算——它们共同构成了神经网络的基本构建模块。除了计算自动梯度，初始化和数据运算也可以使用NumPy数组完成。这就需要我们理解为什么在构建神经网络的时候，应该使用张量对象而不是使用NumPy数组，这将在下一节进行讨论。