C++ 前端中的 Autograd¶
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 前端的 Autograd API 中的大多数功能在 C++ 前端中也可用,可以轻松地将 Autograd 代码从 Python 转换为 C++。
本教程将探讨在 PyTorch C++ 前端中进行 Autograd 的几个示例。请注意,本教程假定您已经了解 Python 前端中的 Autograd。如果不是这样,请先阅读 Autograd:自动微分。
基本的 Autograd 操作¶
(改编自 本教程)
创建张量并将 torch::requires_grad()
设置为跟踪其计算
auto x = torch::ones({2, 2}, torch::requires_grad());
std::cout << x << std::endl;
输出
1 1
1 1
[ CPUFloatType{2,2} ]
执行张量操作
auto y = x + 2;
std::cout << y << std::endl;
输出
3 3
3 3
[ CPUFloatType{2,2} ]
y
是一个操作的结果,因此它具有一个 grad_fn
。
std::cout << y.grad_fn()->name() << std::endl;
输出
AddBackward1
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
27 27
27 27
[ CPUFloatType{2,2} ]
MulBackward1
27
[ CPUFloatType{} ]
MeanBackward0
.requires_grad_( ... )
会就地更改现有张量的 requires_grad
标志。
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
false
true
SumBackward0
现在我们进行反向传播。因为 out
包含单个标量,out.backward()
等同于 out.backward(torch::tensor(1.))
。
out.backward();
打印梯度 d(out)/dx
std::cout << x.grad() << std::endl;
输出
4.5000 4.5000
4.5000 4.5000
[ CPUFloatType{2,2} ]
您应该得到一个 4.5
的矩阵。有关如何得出此值的解释,请参阅 本教程中的对应部分。
现在我们来看一个向量-雅可比积的例子
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
-1021.4020
314.6695
-613.4944
[ CPUFloatType{3} ]
MulBackward1
如果我们想要向量-雅可比积,将向量作为参数传递给 backward
auto v = torch::tensor({0.1, 1.0, 0.0001}, torch::kFloat);
y.backward(v);
std::cout << x.grad() << std::endl;
输出
102.4000
1024.0000
0.1024
[ CPUFloatType{3} ]
您还可以通过将 torch::NoGradGuard
放置在代码块中,阻止自动梯度跟踪需要梯度的张量的历史记录
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
true
true
false
或者使用 .detach()
获取具有相同内容但不需要梯度的新张量
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
true
false
true
有关 C++ 张量自动梯度 API(例如 grad
/ requires_grad
/ is_leaf
/ backward
/ detach
/ detach_
/ register_hook
/ retain_grad
)的更多信息,请参阅 相应的 C++ API 文档。
在 C++ 中计算高阶梯度¶
高阶梯度的一种应用是计算梯度惩罚。让我们使用 torch::autograd::grad
来看一个例子
#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} ]
有关如何使用它们的更多信息,请参阅 torch::autograd::backward
的文档(链接)和 torch::autograd::grad
的文档(链接)。
在 C++ 中使用自定义自动梯度函数¶
(改编自 本教程)
向 torch::autograd
添加新的基本运算需要为每个运算实现一个新的 torch::autograd::Function
子类。 torch::autograd::Function
是 torch::autograd
用于计算结果和梯度以及编码运算历史记录的工具。每个新函数都需要您实现 2 个方法:forward
和 backward
,请参阅 此链接,了解详细的要求。
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,我们可以按以下方式使用 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,我们再举一个由非张量参数参数化的函数的例子
#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,我们可以按以下方式使用 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
5.5000
5.5000
[ CPUFloatType{2} ]
有关 torch::autograd::Function
的更多信息,请参阅 其文档。
将自动梯度代码从 Python 转换为 C++¶
从高层次来看,在 C++ 中使用自动梯度的最简单方法是首先在 Python 中拥有可用的自动梯度代码,然后使用下表将您的自动梯度代码从 Python 转换为 C++
Python |
C++ |
---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
翻译后,您的大部分 Python 自动梯度代码应该在 C++ 中正常工作。如果情况并非如此,请在 GitHub 问题 中提交错误报告,我们会尽快修复。