pytorch怎么定义新的自动求导函数

今天小编给大家分享一下PyTorch怎么定义新的自动求导函数的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。

pytorch定义新的自动求导函数

在pytorch中想自定义求导函数，通过实现torch.autograd.Function并重写forward和backward函数，来定义自己的自动求导运算。

直接上代码，定义一个ReLu来实现自动求导

import torchclass MyRelu(torch.autograd.Function):    @staticmethod    def forward(ctx, input):        # 我们使用ctx上下文对象来缓存，以便在反向传播中使用，ctx存储时候只能存tensor        # 在正向传播中，我们接收一个上下文对象ctx和一个包含输入的张量input；        # 我们必须返回一个包含输出的张量，        # input.clamp(min = 0)表示讲输入中所有值范围规定到0到正无穷，如input=[-1,-2,3]则被转换成input=[0,0,3]        ctx.save_for_backward(input)                # 返回几个值，backward接受参数则包含ctx和这几个值        return input.clamp(min = 0)    @staticmethod    def backward(ctx, grad_output):        # 把ctx中存储的input张量读取出来        input, = ctx.saved_tensors                # grad_output存放反向传播过程中的梯度        grad_input = grad_output.clone()                # 这儿就是ReLu的规则，表示原始数据小于0，则relu为0，因此对应索引的梯度都置为0        grad_input[input < 0] = 0        return grad_input

进行输入数据并测试

dtype = torch.floatdevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 使用torch的generator定义随机数，注意产生的是cpu随机数还是gpu随机数generator=torch.Generator(device).manual_seed(42)# N是Batch, H is hidden dimension，# D_in is input dimension;D_out is output dimension.N, D_in, H, D_out = 64, 1000, 100, 10x = torch.randn(N, D_in, device=device, dtype=dtype,generator=generator)y = torch.randn(N, D_out, device=device, dtype=dtype, generator=generator)w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True, generator=generator)w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True, generator=generator)learning_rate = 1e-6for t in range(500):    relu = MyRelu.apply    # 使用函数传入参数运算     y_pred = relu(x.mm(w1)).mm(w2)# 计算损失    loss = (y_pred - y).pow(2).sum()    if t % 100 == 99:        print(t, loss.item())    # 传播    loss.backward()    with torch.no_grad():        w1 -= learning_rate * w1.grad        w2 -= learning_rate * w2.grad               w1.grad.zero_()        w2.grad.zero_()

pytorch自动求导与逻辑回归

自动求导

retain_graph设为True,可以进行两次反向传播

逻辑回归

import torchimport torch.nn as nnimport matplotlib.pyplot as pltimport numpy as nptorch.manual_seed(10)#========生成数据=============sample_nums = 100mean_value = 1.7bias = 1n_data = torch.ones(sample_nums,2)x0 = torch.nORMal(mean_value*n_data,1)+bias#类别0数据y0 = torch.zeros(sample_nums)#类别0标签x1 = torch.normal(-mean_value*n_data,1)+bias#类别1数据y1 = torch.ones(sample_nums)#类别1标签train_x = torch.cat((x0,x1),0)train_y = torch.cat((y0,y1),0)#==========选择模型===========class LR(nn.Module):    def __init__(self):        super(LR,self).__init__()        self.features = nn.Linear(2,1)        self.sigmoid = nn.Sigmoid()    def forward(self,x):        x = self.features(x)        x = self.sigmoid(x)        return xlr_net = LR()#实例化逻辑回归模型#==============选择损失函数===============loss_fn = nn.BCELoss()#==============选择优化器=================lr = 0.01optimizer = torch.optim.SGD(lr_net.parameters(),lr = lr,momentum=0.9)#===============模型训练==================for iteration in range(1000):    #前向传播    y_pred = lr_net(train_x)#模型的输出    #计算loss    loss = loss_fn(y_pred.squeeze(),train_y)    #反向传播    loss.backward()    #更新参数    optimizer.step()    #绘图    if iteration % 20 == 0:        mask = y_pred.ge(0.5).float().squeeze() #以0.5分类        correct = (mask==train_y).sum()#正确预测样本数        acc = correct.item()/train_y.size(0)#分类准确率        plt.scatter(x0.data.numpy()[:,0],x0.data.numpy()[:,1],c='r',label='class0')        plt.scatter(x1.data.numpy()[:,0],x1.data.numpy()[:,1],c='b',label='class1')        w0,w1 = lr_net.features.weight[0]        w0,w1 = float(w0.item()),float(w1.item())        plot_b = float(lr_net.features.bias[0].item())        plot_x = np.arange(-6,6,0.1)        plot_y = (-w0*plot_x-plot_b)/w1        plt.xlim(-5,7)        plt.ylim(-7,7)        plt.plot(plot_x,plot_y)        plt.text(-5,5,'Loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'})        plt.title('Iteration:{}\nw0:{:.2f} w1:{:.2f} b{:.2f} accuracy:{:2%}'.format(iteration,w0,w1,plot_b,acc))        plt.legend()        plt.show()        plt.pause(0.5)        if acc > 0.99:            break

以上就是“pytorch怎么定义新的自动求导函数”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注编程网精选频道。