pytorch学习3-Autograd 自动微分

1.深度学习算法本质上是通过反向传播求导数，pytorch的Autograd模块实现了自动提供微分的功能，能够避免手动计算导致的复杂过程。autograd.Variable是Autograd的核心类，简单封装了Tensor，并支持几乎所有的Tensor的操作。通过调用其中的.backward（反向传播）实现反向传播，自动计算梯度。

2.Variable主要包括三个属性（也是Variable的数据结构）

（1）data：保存Variable的Tensor（数组）

（2）grad：保存data对应的梯度，grad数据类型是Variable，不是Tensor，和data的形状一样

（3）grad_fn：指向Function对象，Function用来反向传播计算输入的梯度

Variable的数据结构有三部分：data、grad、grad_fn

3.使用前需要导入Variable类

from torch.autograd import Variable

4.使用Tensor新建Variable

x=Variable(t.ones(2,2),requires_grad=True) #新建两行两列的Variable，每个位置的值为1

Out[4]:

tensor([[ 1.,  1.],
        [ 1.,  1.]])

 5.求和

y=x.sum()
y
#求内容的和

Out[8]:

tensor(4.)

6.反向传播求梯度

y.grad_fn #指向function对象，用来反向传播计算输入的梯度

y.backward() #反向传播
x.grad #计算梯度

grad反向传播过程中是累加的，在每次运行反向传播，梯度都会累加之前的梯度，因此每次反向传播时都需要清零。

7.清零之后反向传播

x.grad.data.zero_()  #梯度清零
#反向传播，计算梯度
y.backward()
x.grad

8.Variable和Tensor具有几乎一致的接口，实际使用中可以无缝切换

以求cos为例

#Variable和Tensor可以无缝切换
x=Variable(t.ones(4,5)) #将x设置成4行5列的每个元素都为1的数组
y=t.cos(x)  
x_tensor_cos=t.cos(x.data) #对每个元素都求cos
print(y)
x_tensor_cos     #输出cos值