Pytorch自动求导
知道requires_grad的作用
知道如何使用backward
对于pytorch中的一个tensor，如果设置它的属性 .requires_grad为True，那么它将会追踪对于该张量的所有操作。或者可以理解为，这个tensor是一个参数，后续会被计算梯度，更新该参数。
假设有以下条件（1/4表示求均值，xi中有4个数），使用torch完成其向前计算的过程
如果x为参数，需要对其进行梯度的计算和更新
那么，在最开始随机设置x的值的过程中，需要设置他的requires_grad属性为True，其默认值为False
importtorch
x = torch.ones(2,2, requires_grad=True)#初始化参数x并设置requires_grad=True用来追踪其计算历史
print(x)
#tensor([[1., 1.],# [1., 1.]], requires_grad=True)
y = x+2
print(y)
#tensor([[3., 3.],# [3., 3.]], grad_fn=<AddBackward0>)
z = y*y*3#平方x3
print(x)
#tensor([[27., 27.],# [27., 27.]], grad_fn=<MulBackward0>)
out = z.mean()#求均值
print(out)
#tensor(27., grad_fn=<MeanBackward0>)
从上述代码可以看出：
x的requires_grad属性为True
之后的每次计算都会修改其grad_fn属性，用来记录做过的操作
通过这个函数和grad_fn能够组成一个和前一小节类似的计算图
1.2requires_grad和grad_fn
a = torch.randn(2,2)
a = ((a *3) / (a -1))
print(a.requires_grad)#False
a.requires_grad_(True)#就地修改
print(a.requires_grad)#True
b = (a * a).sum()
print(b.grad_fn)# <SumBackward0 object at 0x4e2b14345d21>
withtorch.no_gard():
c = (a * a).sum()#tensor(151.6830),此时c没有gard_fn
print(c.requires_grad)#False
注意：
为了防止跟踪历史记录（和使用内存），可以将代码块包装在with torch.no_grad():中。在评估模型时特别有用，因为模型可能具有requires_grad = True的可训练的参数，但是我们不需要在此过程中对他们进行梯度计算。
对于1.1 中的out而言，我们可以使用backward方法来进行反向传播，计算梯度
out.backward(),此时便能够求出导数dout/dx,调用x.grad能够获取导数值,得到
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
因为：
在xi等于1时其值为4.5
注意：在输出为一个标量的情况下，我们可以调用输出tensor的backward() 方法，但是在数据是一个向量的时候，调用backward()的时候还需要传入其他参数。
很多时候我们的损失函数都是一个标量，所以这里就不再介绍损失为向量的情况。
loss.backward()就是根据损失函数，对参数（requires_grad=True）的去计算他的梯度，并且把它累加保存到x.gard，此时还并未更新其梯度
注意点：
tensor.data:
在tensor的require_grad=False，tensor.data和tensor等价
require_grad=True时，tensor.data仅仅是获取tensor中的数据
tensor.numpy():
require_grad=True不能够直接转换，需要使用tensor.detach().numpy()
知道如何手动完成线性回归
下面，我们使用一个自定义的数据，来使用torch实现一个简单的线性回归
假设我们的基础模型就是y = wx+b，其中w和b均为参数，我们使用y = 3x+0.8来构造数据x、y，所以最后通过模型应该能够得出w和b应该分别接近3和0.8
准备数据
计算预测值
计算损失，把参数的梯度置为0，进行反向传播
更新参数
import torch
import numpy as np
from matplotlib import pyplot as plt
#1. 准备数据 y = 3x+0.8，准备参数
x = torch.rand([50])
y =3*x +0.8
w = torch.rand(1,requires_grad=True)
b = torch.rand(1,requires_grad=True)
defloss_fn(y,y_predict):
loss = (y_predict-y).pow(2).mean()
foriin[w,b]:
#每次反向传播前把梯度置为0
if i.gradisnotNone:
i.grad.data.zero_()
# [i.grad.data.zero_() for i in [w,b] if i.grad is not None]
loss.backward()
returnloss.data
defoptimize(learning_rate):
# print(w.grad.data,w.data,b.data)
w.data -= learning_rate* w.grad.data
b.data -= learning_rate* b.grad.data
for i in range(3000):
#2. 计算预测值
y_predict = x*w + b
#3.计算损失，把参数的梯度置为0，进行反向传播
loss = loss_fn(y,y_predict)
ifi%500==0:
print(i,loss)
#4. 更新参数w和b
optimize(0.01)
# 绘制图形，观察训练结束的预测值和真实值
predict = x*w + b#使用训练后的w和b计算预测值
plt.scatter(x.data.numpy(), y.data.numpy(),c ="r")
plt.plot(x.data.numpy(), predict.data.numpy())
plt.show()
print("w",w)
print("b",b)
图形效果如下：
打印w和b，可有
w tensor([2.9280], requires_grad=True)
b tensor([0.8372], requires_grad=True)
可知，w和b已经非常接近原来的预设的3和0.8
