PyTorch 中所有神经网络的核心是autograd包.我们首先简单介绍一下这个包,然后训练我们的第一个神经网络.
autograd包为张量上的所有操作提供了自动求导.它是一个运行时定义的框架,这意味着反向传播是根据你的代码如何运行来定义,并且每次迭代可以不同.
接下来我们用一些简单的示例来看这个包
Tensor
torch.Tensor是包的核心类。如果将其属性设置 .requires_grad为True，则会开始跟踪其上的所有操作。完成计算后，您可以调用.backward()并自动计算所有梯度。该张量的梯度将累积到.grad属性中。
要阻止张量跟踪历史记录，您可以调用.detach()将其与计算历史记录分离，并防止将来的计算被跟踪。
要防止跟踪历史记录（和使用内存），您还可以用with torch.no_grad():将代码块包装起来。在评估模型时，这可能特别有用，因为模型可能具有requires_grad = True的可训练参数，但我们不需要梯度。
对自动求导的实现还有一个非常重要的类,即Function
Tensor和Function是相互联系的,并形成一个非循环图来构建一个完整的计算过程.每个tensor有一个.grad_fn属性,它指向创建该变量的一个Function,用户自己创建的tensor除外,它的grad_fn属性为None.
如果你想计算导数,可以在一个tensor上调用.backward().如果一个tensor是一个标量(它只有一个元素值),你不必给该方法指定任何的参数,但是如果该tensor有多个值,你需要指定一个和该tensor相同形状的gradient参数去匹配
import torch
创建一个变量并设置requires_grad=True 去跟踪计算
x = torch.ones(2, 2, requires_grad=True)
print(x)
输出：
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
在tensor上执行操作:
y = x + 2
print(y)
输出：
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
因为y是通过一个操作创建的,所以它有grad_fn
print(y.grad_fn)
输出：
<AddBackward0 object at 0x7fe1db427470>
在y上执行更多的操作
z = y * y * 3
out = z.mean()
print(z, out)
输出：
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
.requires_grad_( ... ) 会原地改变一个已存在tensor的 requires_grad 标志.如果没提供的话，默认是False.
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
输出：
False
True
<SumBackward0 object at 0x7fe1db427dd8>
梯度
现在我们来执行反向传播,out.backward()相当于执行out.backward(torch.tensor(1.))
out.backward()
计算d(out)/dx的梯度
print(x.grad)
输出：
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
这段就不翻译了，主要是他的那些数学表达式复制不下来，具体就是一个雅克比矩阵，想了解的可以google一下
现在让我们来看一个雅可比矢量积的例子：
x = torch.randn(3, requires_grad=True)
y = x * 2
while y.data.norm() < 1000:
y = y * 2
print(y)
输出：
tensor([ -444.6791, 762.9810, -1690.0941], grad_fn=<MulBackward0>)
现在在这种情况下y不再是标量。torch.autograd 无法直接计算完整雅可比行列式，但如果我们只想要雅可比矢量乘积，只需将矢量传递给 backward参数
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)
print(x.grad)
输出：
tensor([1.0240e+02, 1.0240e+03, 1.0240e-01])
你还可以通过将代码块包装在以下内容autograd ：with torch.no_grad() 来停止在Tensors上跟踪历史记录
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
输出:
True
True
False
稍后阅读:
关于
autograd和Function的文档在 http://pytorch.org/docs/autograd.