转载：https://zhuanlan.zhihu.com/p/27783097
https://zhuanlan.zhihu.com/XavierLin
0. 本章内容
在本次，我们将学习如何自定义一个torch.autograd.Function，下面是本次的主要内容
1. 对Function的直观理解；
2. Function与Module的差异与应用场景；
3. 写一个简单的ReLU Function；
1.对Function的直观理解
在之前的介绍中，我们知道，Pytorch是利用Variable与Function来构建计算图的。回顾下Variable，Variable就像是计算图中的节点，保存计算结果（包括前向传播的激活值，反向传播的梯度），而Function就像计算图中的边，实现Variable的计算，并输出新的Variable。Function简单说就是对Variable的运算，如加减乘除，relu，pool等。但它不仅仅是简单的运算。与普通Python或者numpy的运算不同，Function是针对计算图，需要计算反向传播的梯度。因此他不仅需要进行该运算（forward过程），还需要保留前向传播的输入（为计算梯度），并支持反向传播计算梯度。如果有做过公开课cs231的作业，记得里面的每个运算都定义了forward，backward，并通过保存cache来进行反向传播。这两者是类似的。在之前Variable的学习中，我们知道进行一次运算后，输出的Variable对应的creator就是其运行的计算，如y = relu(x), y.creator，就是relu这个Function。我们可以对Function进行拓展，使其满足我们自己的需要，而拓展就需要自定义Function的forward运算，以及对应的backward运算，同时在forward中需要通过保存输入值用于backward。总结，Function与Variable构成了pytorch的自动求导机制，它定义的是各个Variable之间的计算关系。
2. Function与Module的差异与应用场景
Function与Module都可以对pytorch进行自定义拓展，使其满足网络的需求，但这两者还是有十分重要的不同：
1）Function一般只定义一个操作，因为其无法保存参数，因此适用于激活函数、pooling等操作；Module是保存了参数，因此适合于定义一层，如线性层，卷积层，也适用于定义一个网络。
2）Function需要定义三个方法：__init__, forward, backward（需要自己写求导公式）；Module：只需定义__init__和forward，而backward的计算由自动求导机制构成。
3）可以不严谨的认为，Module是由一系列Function组成，因此其在forward的过程中，Function和Variable组成了计算图，在backward时，只需调用Function的backward就得到结果，因此Module不需要再定义backward。
4）Module不仅包括了Function，还包括了对应的参数，以及其他函数与变量，这是Function所不具备的
3. 一个ReLU Function
1）首先我们定义一个继承Function的ReLU类；
2）然后我们来看Variable在进行运算时，其creator是否是对应的Function；
3）最后我们为方便使用这个ReLU类，将其wrap成一个函数，方便调用，不必每次显式都创建一个新对象；
3.1 定义一个ReLU类
import torch
from torch.autograd import Variable
class MyReLU(torch.autograd.Function):
def forward(self, input_):
# 在forward中，需要定义MyReLU这个运算的forward计算过程；
# 同时可以保存任何在后向传播中需要使用的变量值
self.save_for_backward(input_) # 将输入保存起来，在backward时使用
output = input_.clamp(min=0) # relu就是截断负数，让所有负数等于0
return output
def backward(self, grad_output):
# 根据BP算法的推导（链式法则），dloss / dx = (dloss / doutput) * (doutput / dx)
# dloss / doutput就是输入的参数grad_output、
# 因此只需求relu的导数，在乘以grad_outpu
input_, = self.saved_tensors
grad_input = grad_output.clone()
grad_input[input < 0] = 0 # 上诉计算的结果就是左式。即ReLU在反向
#传播中可以看做一个通道选择函数，所有未达
#到阈值（激活值<0）的单元的梯度都为0
return grad_input
3.2 验证Variable与Function的关系
from torch.autograd import Variable
input_=Variable(torch.randn(1))
relu=MyReLU()
output_=relu(input_)# 这个relu对象，就是output_.creator，即这个relu对象将
# output与input连接起来，形成一个计算图
print relu
print output_.creator
输出：
<__main__.MyReLUobjectat0x7fd0b2d08b30>
<__main__.MyReLUobjectat0x7fd0b2d08b30>
可见，Function连接了Variable与Variable，并实现不同计算。
3.3 Wrap一个ReLU函数
可以直接把刚才自定义的ReLU类封装成一个函数，方便直接调用
def relu(input_):
# MyReLU()是创建一个MyReLU对象，
# Function类利用了Python __call__操作，使得可以直接使用对象调用__call__制定的方法# #__call__指定的方法是forward，因此下面这句MyReLU（）（input_）相当于 return
# MyReLU().forward(input_)
returnMyReLU()(input_)
input_=Variable(torch.linspace(-3,3,steps=5))
print input_
print relu(input_)
输出：
Variable containing:
-3.0000
-1.5000
0.0000
1.5000
3.0000
[torch.FloatTensor of size 5]
Variable containing:
0.0000
0.0000
0.0000
1.5000
3.0000
[torch.FloatTensor of size 5]
