pytorch自定義forward和backward函數(shù)

pytorch會自動求導，但是當遇到無法自動求導的時候，需要自己認為定義求導過程，這個時候就涉及到要定義自己的forward和backward函數(shù)。

舉例如下：

看到這里，大家應該會有很多疑問

比如：

• 1：ctx.save_for_backward和ctx.saved_tensors的含義
• 2：backward中各個計算函數(shù)的意義，以及backward的輸入?yún)?shù)grad_out是什么，以及grad_out包含哪些數(shù)據(jù)。

針對以上問題，我們一個個解答

• 第一個問題：百度吧，答案很多！?。?！
• 第二個問題：拿上面這個例子來看，我們定義了一個類似于線性層的東西，但注意這不是線性層，因為我們是直接把輸入和weight用*來做點對點的乘法的，所以這不是我們通常情況下的線性層。

但是這么看也費勁，我們寫一個網(wǎng)絡，把這個函數(shù)加到網(wǎng)絡中去，再完整的跑一遍看吧！

測試代碼

結果如下：

來進行解答

首先，backward函數(shù)的返回值，就是對應著forward里面的參數(shù)的梯度，也就是說，forward函數(shù)里面有幾個輸入?yún)?shù)，那么backward函數(shù)的輸出就要有幾個！為什么是這樣？

我們首先要理解backward的輸入grad_out，為什么backward的參數(shù)就是一個，因為這是根據(jù)鏈式法則來的

比如，我們定義三個函數(shù)H（對應上面網(wǎng)絡中l(wèi)inear1）,F（自定義函數(shù)xjm_inter）,D(對應上面網(wǎng)絡中l(wèi)inear2),定義一個輸入x(對應上面輸入a)，定義一個輸出y(對應上面輸出b)：

y = D(F(H(X)))

現(xiàn)在，我們求y對x的偏導，那么：

dy/dx = dy/dD * dD/dF * dF/dH * dH/dx

好吧看到這里你可能還是不懂，為什么backward的參數(shù)就是一個grad_out??！

我們韓式以上面則個函數(shù)為例子，但是，我們現(xiàn)在不求y對x的導數(shù)，我們假設F函數(shù)有一個葉子節(jié)點（或者說requires_grad=True）的參數(shù)w1，現(xiàn)在我們要求y對w1的導數(shù)：

所以

dy/dw1 = dy/dD *dD/dF * dF/dw1

那么此時，F(xiàn)就是我們上面代碼中自定義的xjm_inter函數(shù)，則 grad_out = dy/dD *dD/dF。

怎么理解呢，根據(jù)鏈式法則，我們呢所定義的網(wǎng)絡中的每一層都是一個單獨的函數(shù)，所以函數(shù)中的變量的最終求導其實只取決于該函數(shù)本身，鏈式法則求導傳遞過來的其實永遠都知識一個值，這就是為什么backward函數(shù)的輸出只有一個。

擴展

當forward的輸出有多個的時候，那么就有多個鏈式法則，因為可以同時對x或者對w求導，此時backward的輸入可以是一個，也可以是對應forward輸出的個數(shù)，如果是一個則是一個元組，包含對應的梯度！?。?/p>

那么我們的backward要實現(xiàn)什么樣的功能呢？說到這里，大家應該大概能明白了，就是實現(xiàn)當前層那的梯度計算，并進行返回，所以，這也是為什么backward的返回值要和forward的輸入值一一對應，否則會報錯。

總結

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論