pytorch如何定义新的自动求导函数

pytorch定义新的自动求导函数

在pytorch中想自定义求导函数，通过实现torch.autograd.Function并重写forward和backward函数，来定义自己的自动求导运算。参考官网上的demo：传送门

直接上代码，定义一个ReLu来实现自动求导

import torch

class MyRelu(torch.autograd.Function):
   @staticmethod
   def forward(ctx, input):
       # 我们使用ctx上下文对象来缓存，以便在反向传播中使用，ctx存储时候只能存tensor
       # 在正向传播中，我们接收一个上下文对象ctx和一个包含输入的张量input；
       # 我们必须返回一个包含输出的张量，
       # input.clamp(min = 0)表示讲输入中所有值范围规定到0到正无穷，如input=[-1,-2,3]则被转换成input=[0,0,3]
       ctx.save_for_backward(input)

# 返回几个值，backward接受参数则包含ctx和这几个值
       return input.clamp(min = 0)

@staticmethod
   def backward(ctx, grad_output):
       # 把ctx中存储的input张量读取出来
       input, = ctx.saved_tensors

# grad_output存放反向传播过程中的梯度
       grad_input = grad_output.clone()

# 这儿就是ReLu的规则，表示原始数据小于0，则relu为0，因此对应索引的梯度都置为0
       grad_input[input < 0] = 0
       return grad_input

进行输入数据并测试

dtype = torch.float
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 使用torch的generator定义随机数，注意产生的是cpu随机数还是gpu随机数
generator=torch.Generator(device).manual_seed(42)

# N是Batch, H is hidden dimension，
# D_in is input dimension;D_out is output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10

x = torch.randn(N, D_in, device=device, dtype=dtype,generator=generator)
y = torch.randn(N, D_out, device=device, dtype=dtype, generator=generator)

w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True, generator=generator)
w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True, generator=generator)

learning_rate = 1e-6
for t in range(500):
   relu = MyRelu.apply
   # 使用函数传入参数运算
   y_pred = relu(x.mm(w1)).mm(w2)
# 计算损失
   loss = (y_pred - y).pow(2).sum()
   if t ％ 100 == 99:
       print(t, loss.item())
   # 传播
   loss.backward()
   with torch.no_grad():
       w1 -= learning_rate * w1.grad
       w2 -= learning_rate * w2.grad

w1.grad.zero_()
       w2.grad.zero_()

pytorch自动求导与逻辑回归

自动求导

retain_graph设为True,可以进行两次反向传播

逻辑回归

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(10)
#========生成数据=============
sample_nums = 100
mean_value = 1.7
bias = 1
n_data = torch.ones(sample_nums,2)
x0 = torch.normal(mean_value*n_data,1)+bias#类别0数据
y0 = torch.zeros(sample_nums)#类别0标签
x1 = torch.normal(-mean_value*n_data,1)+bias#类别1数据
y1 = torch.ones(sample_nums)#类别1标签
train_x = torch.cat((x0,x1),0)
train_y = torch.cat((y0,y1),0)
#==========选择模型===========
class LR(nn.Module):
   def __init__(self):
       super(LR,self).__init__()
       self.features = nn.Linear(2,1)
       self.sigmoid = nn.Sigmoid()

def forward(self,x):
       x = self.features(x)
       x = self.sigmoid(x)
       return x

lr_net = LR()#实例化逻辑回归模型

#==============选择损失函数===============
loss_fn = nn.BCELoss()
#==============选择优化器=================
lr = 0.01
optimizer = torch.optim.SGD(lr_net.parameters(),lr = lr,momentum=0.9)

#===============模型训练==================
for iteration in range(1000):
   #前向传播
   y_pred = lr_net(train_x)#模型的输出
   #计算loss
   loss = loss_fn(y_pred.squeeze(),train_y)
   #反向传播
   loss.backward()
   #更新参数
   optimizer.step()

#绘图
   if iteration ％ 20 == 0:
       mask = y_pred.ge(0.5).float().squeeze() #以0.5分类
       correct = (mask==train_y).sum()#正确预测样本数
       acc = correct.item()/train_y.size(0)#分类准确率

plt.scatter(x0.data.numpy()[:,0],x0.data.numpy()[:,1],c='r',label='class0')
       plt.scatter(x1.data.numpy()[:,0],x1.data.numpy()[:,1],c='b',label='class1')

w0,w1 = lr_net.features.weight[0]
       w0,w1 = float(w0.item()),float(w1.item())
       plot_b = float(lr_net.features.bias[0].item())
       plot_x = np.arange(-6,6,0.1)
       plot_y = (-w0*plot_x-plot_b)/w1

plt.xlim(-5,7)
       plt.ylim(-7,7)
       plt.plot(plot_x,plot_y)

plt.text(-5,5,'Loss=％.4f'％loss.data.numpy(),fontdict={'size':20,'color':'red'})
       plt.title('Iteration:{}\nw0:{:.2f} w1:{:.2f} b{:.2f} accuracy:{:2％}'.format(iteration,w0,w1,plot_b,acc))
       plt.legend()
       plt.show()
       plt.pause(0.5)
       if acc > 0.99:
           break

来源：https://blog.csdn.net/l8947943/article/details/105633826