昇思25天学习打卡营第07天 | 函数式自动微分

昇思25天学习打卡营第07天 | 函数式自动微分

神经网络的训练主要使用反向传播算法，首先计算模型预测值（logits）与正确标签（label）之间的loss，然后进行反向传播，通过梯度来更新模型参数从而完成网路的训练。

MindSpore使用函数式自动微分的设计理念，提供更接近于数学语义的自动微分接口grad和value_and_grad。

函数与计算图

计算图是图论语言表示数学函数的一种方式，也是深度学习框架表达神经网络模型的统一方法。

在这个模型中，$x$为输入，$z$为输出，$y$为正确值，$w$和$b$是需要优化的参数。

x = ops.ones(5, mindspore.float32)  # input tensor
y = ops.zeros(3, mindspore.float32)  # expected output
w = Parameter(Tensor(np.random.randn(5, 3), mindspore.float32), name='w') # weight
b = Parameter(Tensor(np.random.randn(3,), mindspore.float32), name='b') # bias

def function(x, y, w, b):
z = ops.matmul(x, w) + b
loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss

通过执行function获得loss值：

loss = function(x,y,w,b)

微分函数与梯度

为了优化参数$w$和$b$，需要求参数对loss的导数$\frac{\partial loss}{\partial w}$和$\frac{\partial loss}{\partial b}$。

可以通过mindspore.grad函数来获得function的微分函数：

grad_fn = mindspore.grad(function, (2, 3))

grads = grad_fn(x, y, w, b)

此处使用了grad的两个入参：

• fn：待求导的函数；
• grad_position：指定求导输入位置的索引。

Stop Gradient

通常情况下，求导时会求loss对参数的导数，因此函数只输出loss一项。
如果函数输出多项时，微分函数会求所有输出对参数的导数。

def function_with_logits(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss, z
    
grad_fn = mindspore.grad(function_with_logits, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)

此处function_with_logits输出的z会影响梯度。

如果想要实现对某个输出项的梯度截断，或消除某个Tensor对梯度的影响，需要用到Stop Gradient操作。

def function_stop_gradient(x, y, w, b):
    z = ops.matmul(x, w) + b
    loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
    return loss, ops.stop_gradient(z)
    
grad_fn = mindspore.grad(function_stop_gradient, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)

Auxiliary data

Auxiliary data为辅助数据，是函数除第一个输出项外的其他输出。通常loss值为函数的第一个输出，而其它输出即为辅助数据。

grad和value_and_grad提供has_aux参数，设置为True时，可以自动实现前文中stop_gradient的功能。

grad_fn = mindspore.grad(function_with_logits, (2, 3), has_aux=True)
grads, (z,) = grad_fn(x, y, w, b)
print(grads, z)

神经网络梯度计算

# Define model
class Network(nn.Cell):
    def __init__(self):
        super().__init__()
        self.w = w
        self.b = b

    def construct(self, x):
        z = ops.matmul(x, self.w) + self.b
        return z

# Instantiate model
model = Network()
# Instantiate loss function
loss_fn = nn.BCEWithLogitsLoss()

实例化网络和损失函数后，将其封装为一个前向计算函数，用于自动微分：

# Define forward function
def forward_fn(x, y):
    z = model(x)
    loss = loss_fn(z, y)
    return loss

由于使用nn.Cell封装网络模型，其参数为Cell的内部属性，因此不需要指定grad_position参数，直接设置为None。

对模型参数求导时，使用weights参数，指定为通过model.trainable_params()方法从Cell中取出的可以求导的参数：

grad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params())

loss, grads = grad_fn(x, y)
print(grads)

总结

这一节从一个简单的线性函数$wx+b$出发，介绍了网络模型中数学函数的统一表示方法（即计算图），与loss的计算过程。使用grad和value_and_grad方法可以通过自动微分获取目标函数的微分函数，从而得到参数对loss的梯度，进而优化参数。对于需要输出辅助数据的函数来说，可以通过ops.stop_gradient进行梯度截断，或设置has_aux=True来自动完成。
在通过Cell封装的网络模型中，需要将模型和loss的调用封装为一个前向计算函数，从而进行自动微分。

打卡

原文地址：https://blog.csdn.net/qq_31254435/article/details/140212305

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！