四、训练模型：反向传播-梯度计算-更新参数
1、计算图(Computational Graph)
为什么深度网络模型不建议手写呢，因为底层有太多的东西，手写就写到地老天荒了，其中计算图就是一个难点。
pytorch框架中还封装了计算图，计算图的通俗理解就是：只要你有计算，并且设置了requires_grad=True，pytorch就会自动同时帮你生成这个计算过程的计算图。
我们先用个例子来直观的理解一下什么是计算图，也就是计算图的原理和作用：
那在计算p的同时，pytorch就帮我们生成了下面的计算图：
说明：
（1）上面的计算图是用来描述运算过程的有向无环图，就是我们现在讲的计算图。其中图中的abcxyzmnp都是叫节点Node，是用来存储数据的，比如向量、矩阵、张量等；图中的箭头都叫边Edge，是用来表示运算关系的，比如加减乘除、矩阵乘、三角函数、卷积计算等等各种运算关系。
（2）节点又分叶子节点和非叶子节点。上图中abc三个节点是用方框框住的，它们三个是叶子节点，xyzmnp是用椭圆框住的，它们6个是非叶子节点。叶子节点和非叶子节点可以用.is_leaf属性来查看。
（3）上图数据从abc一路计算到p的过程也就是一个正向传播的过程。所以一次正向传播，就同时生成这么一张数据计算过程的计算图。
（4）要这个计算图干什么？自然是有用了，不然费这个劲儿干嘛，当然是用来反向传播求梯度了。
（5）上图的例子我们还可以写出p的显式表达式：p = sin((0.5*((a+b)*c)^2-1)/2-0.1)，可见，p就是关于abc的函数，那我们就可以求p关于abc的偏导数。
当p和abc之间有明确函数关系的时候，我们可以通过高数中的求导公式求偏导。
但是当p和abc之间的函数关系非常非常复杂，以至于无法显性写出来的时候，用求导公式求导是不是就行不通了呀，此时，感谢这个计算图，它让我们的求导变得异常轻松！
记不记得，求导除了用求导公式，是不是还可以用链式求导法。我想求p关于a的偏导数，用链式求导是不是就是：
偏p/偏n * 偏n/偏m * 偏m/偏z * 偏z/偏y * 偏y/偏x * 偏x/偏a
这是不是大大简化了求导的难度，里面每个乘项都非常非常的简单，而且几乎都是不用计算的，因为如果正向传播的时候的中间结果都保存下来，那偏p/偏n、偏n/偏m。。。等就变得异常简单，最后连乘就是了。
（6）可见，即使你再复杂的函数关系，pytorch都是把你的计算步骤给细分到一个个它底层定义的运算颗粒，这样一个复杂的运算就被分解成一堆有序的、有向的、极简的运算颗粒。
（7）可见，什么是反向传播？反向传播就是根据正向传播时保留的中间结果求上面连乘的项！也就是链式求导的过程。知识点都打通了吧。
（8）那我们求导干嘛？假如p就是损失，abc是参数，是不是要反向传播求导，导数就是参数abc点对应的p下降最快的方向！那就顺着这个方向更新abc，是不是p就不断减小了，当损失p减小到我们可以接受的小的程度时，此时的abc是不是就是模型的最佳参数了，就是模型训练完成了。简单的说，求导就是求梯度，有了梯度就可以更新参数，更新了的新参数就是损失函数减小的一组参数，如此往复，就是模型学习样本数据，就是我们训练了模型。当损失函数小到我们可以接受的程度，此时的模型就是最优的模型，此时的模型就可以很好的帮我们人类预测样本了。
上面说的都是计算图的原理和作用，任何方法的实现都得借助代码实现，所以下面演示一下pytorch中和求导相关的概念、方法和属性。
说明：A处是我们生成叶子节点的代码。在生成叶子节点的时候一定要给张量添加requires_grad=True这个属性，这样的tensor对象才在参与运算的时候生成计算图。计算时生成计算图肯定是消耗时间也消耗算力的，所以只有用户要求计算梯度时，才同时生成计算图，这也是为了提升效率。
2、神经网络反向传播求梯度演示
这就是神经网络正向、反向两个计算过程。从中也可以看到，其实这个计算图的长短主要取决于你底层的设计，比如你直接把sigmoid函数当做一个计算颗粒也是可以的，不像我上面拆得这么细也是可以的。而且sigmoid求导也特别简单f(x)x(1-f(x))嘛，也是计算非常快的。
在tensorflow中需要我们自己定义自己的计算图，这时你就可以自主选择颗粒度，这样在计算速度上你可以自己优化和把控。但是pytorch框架是底层写好的、已经打包好了的计算颗粒，所以不需要用户自己再定义，好处就是简单容易上手，但缺点就是计算速度的优化你就无能为力了。
3、反向传播
反向传播，从数学角度说，就是根据上面的计算图求叶子节点的导数，而且是用链式求导法求的导数的。从深度学习角度说，就是求模型参数的梯度值。从目的来说，就是寻找损失函数逐渐减小的模型参数。从模型角度来说，就是模型学习的过程。从训练的角度来说，就是模型训练的过程。
那反向传播既然是一个求导的过程，从代码角度来看，那整个计算过程中的所有对象(就是所有的节点)都必须是.requires_grad=True,这样整个计算过程才能一步步向回追溯，直到追溯到叶子节点的导数。如果中间任何一个节点的requires_grad=False了，那就不能backward了。如上图所示我们的所有节点abcxyzmnp都是requires_grad=True，所以我们就可以顺利计算出abc的导数。
那此处就出现了另外一个问题：我如果想求中间节点对叶子节点的导数呢？比如y对a的导数。或者我想求节点p对中间节点的导数呢？比如求p对z或者p对n这些中间节点的导数。
pytorch为了节省内存空间，中间结果的梯度都给丢弃了，如下图A，我们对p进行bachward后，只能查看叶子节点abc的导数，而中间节点xyzmn的导数都无法查看。无法查看不是没有计算，而且计算了但是没有保存计算结果，从内存中都释放了。如果我们想查看各个环节的导数，只需要搭配使用.backward和.retain_grad就可以了。比如如下图B，你只要在添加y.retain_grad()这行代码，你就可以查看，偏p/偏y的导数了。再比如下图C，你只要从z开始backward，你就可以查看偏z/偏叶子节点的导数了。
如果你不想计算梯度了，毕竟计算梯度还得生成计算图，如何这个梯度对我没啥用的话，就是浪费资源，此时你可以用with torch.no_grad()语句或者用.detach()方法。
如果你想求一个函数的微分，这个函数的显式公式你也可以写出来，那是不是还得手动把这个函数切分成一个个计算颗粒，再backward求微分啊？不用，pytorch提供了torch.autograd.grad()函数，可以直接求微分：
用pytorch求导基本的知识点就是这么多就足够用了。
4、梯度下降-更新参数
上面讲了如何求导。我们要清楚，这个求导是在求损失函数对模型参数的导数这个环节的。所以此处承接上篇文章的损失函数部分：
这是我们前面讲到的损失函数。当时我们就向前传播了鸢尾花数据集的前2条样本。这2条样本从我们自建的架构的输入层喂入，经过2个隐藏层，隐藏层后面都跟一个relu激活层，然后到输出层，再到softmax层，输出就是上图的B预测结果。我们这两条样本的真实标签都是1，而且我们是一个三分类任务，所以把预测结果B和真实标签带入交叉熵公式，就计算出本次小批次的总损失：loss = -(logp1+logp2)。这就是我们的损失函数，而这个损失函数的计算过程也被计算图全程记录了。所以我们可以loss.backward(),就可以求出loss对模型所有参数w和b的偏导数grad(w)、grad(b)。
此时，我们搭建模型、让模型帮助我们进行预测的问题，就转化成：寻找loss函数的最小值。
为什么？因为只有当loss最小，就说明模型把这些样本都预测对了呀。比如上图的loss如果约等于0，那就相当于第一条样本的第一个类概率值趋近于1，并且第二条样本的第一个类概率值也趋近于1。反过来也可以印证：如果两条样本的第一个数都接近1，说明这两条样本的预测结果都是类别0，也同时说明此时loss趋近0。
所以，此时的预测问题就转化成了如何找到"loss函数最小值对应的那组参数"。这个问题在数学上就叫优化问题。
而这个优化问题最常用的解法就是：梯度下降优化算法，即从一个随机点出发，一步步逼近最优解。 如何从一个随机点出发？将我们的模型的初始参数随机化初始设置即可呀，就这么简单。
那又如何一步步逼近？就是通过：w = w - lr*grad。其中lr表示学习率learning rate, grad就是我们前面求的导数，也叫梯度。为什么？
因为loss是一个复杂的、不能显性写出表达式的、关于参数w和b的一个函数。但是我们通过计算图，已经把从叶子节点(w、b、样本的特征)到loss的整个计算过程都记录下来了。
我们计算loss关于w、b的偏导，从几何角度看，就是在loss函数的(w,b)点，找到了loss的切面，而沿着这个切面的反方向就是loss下降最快的方向，所以当(w,b)沿切面反方向走到(w',b')时，loss就变小了一点。其中w' = w - lr*grad(w), 同理b' = b - lr*grad(b)。
那我们重复上面的步骤很多次，直到走到loss接近0时，此时的(w,b)就是使loss最小的一组参数。
上面的过程就是梯度下降算法的原理和数学过程。
下面我用一个小例子展示一下梯度下降算法：
上图就是一个梯度下降--更新参数的过程。也是一个模型训练的过程。
当然我们DNN构建的模型，loss不像上图的y那么简单，w也不像上图的x那么少。但是原理都是一样的。如果用DNN展示就不太好展示，用一元二次函数比较好展示，所以就举了上面的例子。
至此，我们从整理数据-搭建模型-正向传播-求损失函数-反向传播求梯度-参数迭代，就完成了一个模型的训练全过程。再往后就是模型调优以及保存模型。
总结：这里的主线是串联一个深度模型的全流程：从数据打包加载--手写架构--正向传播--损失函数--反向传播求梯度--参数更新训练模型。其实这个流程中还有很多细节没有展开讲，后面我会点对点展开讲各个环节的更细节的点。
这里想说的是，通过这个全流程我们可以对比一下深度学习和机器学习的主要区别。机器学习的灵魂是你得先有个任务的解决方案，比如knn的逻辑就是我计算预测样本和已知样本之间的距离，近朱者赤近墨者黑嘛，越近就越说明是一类的；比如svm的逻辑就是间隔最大化，我就找不同类别样本之间最大间隔的那个超平面来分类；比如tree模型的逻辑就是找特征提问，一直提问到标签。等等，只要你有一个解决问题的逻辑，那你按照这个逻辑建立的模型，就基本是使用所有的二维表格数据。就是不管你的二维表格数据是3维的还是300维的，都可以用机器模型跑跑一跑，如果效果好就说明你的数据非常适合用这个算法，如果效果不好那就试试别的算法，如果都不好，那就做做特征工程。但是深度学习不一样，深度学习的灵魂则是损失函数，不管你是回归任务还是分类还是生成模型，你都得找一个损失函数，让这个损失减小到你可以接受得程度时对应的参数就是模型的最优参数，也就是你最终建立的模型。而且对应深度模型来说，一个数据还要对应一个架构，就是你3维的表格数据和300维的数据，适配的架构是不一样的，你得调整架构才能跑你自己的架构。
所以，当你深刻理解深度模型背后的逻辑后，你会发现其实深度学习真的没有机器学习难，机器学习往往背后有很复杂的数学推导，而深度学习都是围绕着如何让损失函数逐渐减小到可接受的范围，其背后涉及到的数学还真没什么。所以机器学习模型学习扎实的同学，学深度学习真的不难，只要你见过，就可以照葫芦画瓢复制一个针对你自己数据的模型。
5、用鸢尾花数据集演示建模的完整流程
从上图左图可见，训练集的损失是稳步下降，测试集虽震荡也是整体下降的，但是测试集到后期明显震荡，说明模型已经有点过拟合。
从上图右图可见，不管是训练集还是测试集的准确率都在不到100个epoch后就已经达到很高，后面的训练，虽然loss在下将，但是准确率已经基本保持在一个区间震荡了。说明后面的400个epoch其实对准确率的提升已经非常有限了。后面的训练都是在牺牲准确率，精调loss。可见神经网络的损失函数loss模型的灵魂，就是loss牵引着模型不断迭代。
这个小案例可以说是对前面知识点的一个汇总实现。其实里面还有一些细节前面没有展开讲，后面就针对这些细节点对点的展开。