C++ 前端中的 Autograd ¶
译者：片刻小哥哥
项目地址：https://pytorch.apachecn.org/2.0/tutorials/advanced/cpp_autograd
原始地址：https://pytorch.org/tutorials/advanced/cpp_autograd.html
autograd
包对于在 PyTorch 中构建高度灵活和动态的神经网络至关重要。 PyTorch Python 前端中的大多数 autograd API 在 C++ 前端中也可用，允许将 autograd 代码从 Python 轻松转换为 C++。
在本教程中，探索在 PyTorch C++ 前端中执行 autograd 的几个示例。 请注意，本教程假设您已经对 Python 前端中的 autograd 有基本的了解。如果’不是这种情况，请先阅读 Autograd：自动微分 .
基本自动分级操作 ¶
(改编自 本教程 )
创建一个tensor并设置
torch::requires_grad()
用它来跟踪计算
输出：
进行tensor运算:
输出：
y
是作为操作的结果而创建的，因此它具有
grad_fn
。
输出：
对
y 执行更多操作
auto z = y * y * 3;
auto out = z.mean();
std::cout << z << std::endl;
std::cout << z.grad_fn()->name() << std::endl;
std::cout << out << std::endl;
std::cout << out.grad_fn()->name() << std::endl;
输出：
`.requires_grad_(
...
)更改现有tensor’srequires_grad `
就地标记。
auto a = torch::randn({2, 2});
a = ((a * 3) / (a - 1));
std::cout << a.requires_grad() << std::endl;
a.requires_grad_(true);
std::cout << a.requires_grad() << std::endl;
auto b = (a * a).sum();
std::cout << b.grad_fn()->name() << std::endl;
输出：
现在让’s 反向传播。因为
out
包含单个标量，
out.backward()
相当于
out.backward(torch::tensor(1.))
。
打印梯度 d(out)/dx
输出：
你应该得到一个矩阵
4.5
。有关如何得出此值的说明，
请参阅
本教程中的相应部分
。
现在让’s 看一下向量雅可比积的示例：
x = torch::randn(3, torch::requires_grad());
y = x * 2;
while (y.norm().item<double>() < 1000) {
y = y * 2;
}
std::cout << y << std::endl;
std::cout << y.grad_fn()->name() << std::endl;
输出：
如果我们想要向量雅可比积，请将向量传递给
backward
作为参数：
auto v = torch::tensor({0.1, 1.0, 0.0001}, torch::kFloat);
y.backward(v);
std::cout << x.grad() << std::endl;
输出：
您还可以通过将
torch::NoGradGuard
放入代码块中来阻止 autograd 跟踪需要梯度的tensor的历史
std::cout << x.requires_grad() << std::endl;
std::cout << x.pow(2).requires_grad() << std::endl;
{
torch::NoGradGuard no_grad;
std::cout << x.pow(2).requires_grad() << std::endl;
}
输出：
或者使用
.detach()
获取具有相同内容但
不需要梯度的新tensor：
std::cout << x.requires_grad() << std::endl;
y = x.detach();
std::cout << y.requires_grad() << std::endl;
std::cout << x.eq(y).all().item<bool>() << std::endl;
输出：
有关 C++ tensor自动求导 API 的更多信息，例如
grad
/
requires_grad
/
is_leaf
/
backward\ n /
detach
/
detach_
/
register_hook
/
retain_grad
,
请参阅
相应的 C++ API 文档
.
在 C++ 中计算高阶梯度 ¶
-
高阶梯度的应用之一是计算梯度惩罚。
让’s 使用使用它的示例
torch::autograd::grad
:
#include <torch/torch.h>
auto model = torch::nn::Linear(4, 3);
auto input = torch::randn({3, 4}).requires_grad_(true);
auto output = model(input);
// Calculate loss
auto target = torch::randn({3, 3});
auto loss = torch::nn::MSELoss()(output, target);
// Use norm of gradients as penalty
auto grad_output = torch::ones_like(output);
auto gradient = torch::autograd::grad({output}, {input}, /*grad_outputs=*/{grad_output}, /*create_graph=*/true)[0];
auto gradient_penalty = torch::pow((gradient.norm(2, /*dim=*/1) - 1), 2).mean();
// Add gradient penalty to loss
auto combined_loss = loss + gradient_penalty;
combined_loss.backward();
std::cout << input.grad() << std::endl;
输出：
-0.1042 -0.0638 0.0103 0.0723
-0.2543 -0.1222 0.0071 0.0814
-0.1683 -0.1052 0.0355 0.1024
[ CPUFloatType{3,4} ]
请参阅文档
torch::autograd::backward
(
link
)
and
torch::autograd::grad
(
link
)
有关如何使用它们的更多信息。\ n
在 C++ 中使用自定义 autograd 函数 ¶
(改编自 本教程 )
将新的基本操作添加到
torch::autograd
需要为每个操作实现一个新
torch::autograd::Function
子类。
torch::autograd::Function
是 torch::autograd
用于计算结果和梯度并对操作历史记录进行编码的内容。每个
新函数都需要您实现 2 个方法：
forward
和
backward
，并且
请参阅
此链接
了解详细要求。
您可以在下面找到来自
torch::nn
的
Linear
函数的代码
:
#include <torch/torch.h>
using namespace torch::autograd;
// Inherit from Function
class LinearFunction : public Function<LinearFunction> {
public:
// Note that both forward and backward are static functions
// bias is an optional argument
static torch::Tensor forward(
AutogradContext *ctx, torch::Tensor input, torch::Tensor weight, torch::Tensor bias = torch::Tensor()) {
ctx->save_for_backward({input, weight, bias});
auto output = input.mm(weight.t());
if (bias.defined()) {
output += bias.unsqueeze(0).expand_as(output);
}
return output;
}
static tensor_list backward(AutogradContext *ctx, tensor_list grad_outputs) {
auto saved = ctx->get_saved_variables();
auto input = saved[0];
auto weight = saved[1];
auto bias = saved[2];
auto grad_output = grad_outputs[0];
auto grad_input = grad_output.mm(weight);
auto grad_weight = grad_output.t().mm(input);
auto grad_bias = torch::Tensor();
if (bias.defined()) {
grad_bias = grad_output.sum(0);
}
return {grad_input, grad_weight, grad_bias};
}
};
然后，我们可以通过以下方式使用
LinearFunction
:
auto x = torch::randn({2, 3}).requires_grad_();
auto weight = torch::randn({4, 3}).requires_grad_();
auto y = LinearFunction::apply(x, weight);
y.sum().backward();
std::cout << x.grad() << std::endl;
std::cout << weight.grad() << std::endl;
输出：
0.5314 1.2807 1.4864
0.5314 1.2807 1.4864
[ CPUFloatType{2,3} ]
3.7608 0.9101 0.0073
3.7608 0.9101 0.0073
3.7608 0.9101 0.0073
3.7608 0.9101 0.0073
[ CPUFloatType{4,3} ]
在这里，我们给出一个由非tensor参数参数化的函数的附加示例：
#include <torch/torch.h>
using namespace torch::autograd;
class MulConstant : public Function<MulConstant> {
public:
static torch::Tensor forward(AutogradContext *ctx, torch::Tensor tensor, double constant) {
// ctx is a context object that can be used to stash information
// for backward computation
ctx->saved_data["constant"] = constant;
return tensor * constant;
}
static tensor_list backward(AutogradContext *ctx, tensor_list grad_outputs) {
// We return as many input gradients as there were arguments.
// Gradients of non-tensor arguments to forward must be `torch::Tensor()`.
return {grad_outputs[0] * ctx->saved_data["constant"].toDouble(), torch::Tensor()};
}
};
然后，我们可以通过以下方式使用
MulConstant
:
auto x = torch::randn({2}).requires_grad_();
auto y = MulConstant::apply(x, 5.5);
y.sum().backward();
std::cout << x.grad() << std::endl;
输出：
有关
torch::autograd::Function
的更多信息，请参阅
其文档
。
将 autograd 代码从 Python 翻译为 C++ ¶
在较高层面上，在 C++ 中使用 autograd 的最简单方法是首先在 Python 中 运行 autograd 代码，然后使用下表将 autograd 代码从 Python 转换为 C++:
|
Python
|
C++
|
| --- | --- |
|
torch.autograd.backward
|
torch::autograd::backward
(
链接
)
|
|
torch.autograd.grad
|
torch::autograd::grad
(
链接
)
|
|
torch.Tensor.detach
|
torch::Tensor::detach
(
链接
)
|
|
torch.Tensor.detach_
|
torch::Tensor::detach_
(
链接
)
|
|
torch.Tensor.backward
|
torch::Tensor::backward
(
链接
)
|
|
torch.Tensor.register_hook
|
torch::Tensor::register_hook
(
链接
)
|
|
torch.Tensor.requires_grad
|
torch::Tensor::requires_grad_
(
链接
)
|
|
torch.Tensor.retain_grad
|
torch::Tensor::retain_grad
(
链接
)
|
|
torch.Tensor.grad
|
torch::Tensor::grad
(
链接
)
|
|
torch.Tensor.grad_fn
|
torch::Tensor::grad_fn
(
链接
)
|
|
torch.Tensor.set_data
|
torch::Tensor::set_data
(
链接
)
|
|
torch.Tensor.data
|
torch::Tensor::data
(
链接
)
|
|
torch.Tensor.output_nr
|
torch::Tensor::output_nr
(
链接
)
|
|
torch.Tensor.is_leaf
|
torch::Tensor::is_leaf
(
链接
)
|
翻译后，大部分 Python autograd 代码应该只能在 C++ 中运行。 如果’ 不是这种情况，请在 GitHub issues 提交错误报告/pytorch/pytorch/issues) 我们将尽快修复它。
结论 ¶
您现在应该对 PyTorch’s C++ autograd API 有一个很好的概述。 您可以找到本说明中显示的代码示例 此处 。与往常一样，如果您遇到任何 问题或有疑问，可以使用我们的 论坛 或 GitHub 问题 取得联系。
