PyTorch 如何检查模型梯度是否可导

一、pytorch 检查模型梯度是否可导

当我们构建复杂网络模型或在模型中加入复杂操作时，可能会需要验证该模型或操作是否可导，即模型是否能够优化，在pytorch框架下，我们可以使用torch.autograd.gradcheck函数来实现这一功能。

首先看一下中关于该函数的介绍：

可以看到官方文档中介绍了该函数基于何种方法，以及其参数列表，下面给出几个例子介绍其使用方法，注意：

tensor需要是双精度浮点型且设置requires_grad = true

第一个例子：检查某一操作是否可导

from torch.autograd import gradcheck
import torch
import torch.nn as nn
 
inputs = torch.randn((10, 5), requires_grad=true, dtype=torch.double)
linear = nn.linear(5, 3)
linear = linear.double()
test = gradcheck(lambda x: linear(x), inputs)
print("are the gradients correct: ", test)

输出为：

are the gradients correct: true

第二个例子：检查某一网络模型是否可导

from torch.autograd import gradcheck
import torch
import torch.nn as nn 
# 定义神经网络模型
class net(nn.module):
 
    def __init__(self):
        super(net, self).__init__()
        self.net = nn.sequential(
            nn.linear(15, 30),
            nn.relu(),
            nn.linear(30, 15),
            nn.relu(),
            nn.linear(15, 1),
            nn.sigmoid()
        )
 
    def forward(self, x):
        y = self.net(x)
        return y
 
net = net()
net = net.double()
inputs = torch.randn((10, 15), requires_grad=true, dtype=torch.double)
test = gradcheck(net, inputs)
print("are the gradients correct: ", test)

输出为：

are the gradients correct: true

二、pytorch求导

1.标量对矩阵求导

验证：

>>>import torch
>>>a = torch.tensor([[1],[2],[3.],[4]])    # 4*1列向量
>>>x = torch.tensor([[1,2,3],[5,6,7],[8,9,10],[5,4,3.]],requires_grad=true)  #4*3矩阵，注意，值必须要是float类型
>>>b = torch.tensor([[2],[3],[4.]]) #3*1列向量
>>>f = a.view(1,-1).mm(x).mm(b)  # f = a^t.dot(x).dot(b)
>>>f.backward()
>>>x.grad   #df/dx = a.dot(b^t)
tensor([[ 2.,  3.,  4.],
    [ 4.,  6.,  8.],
    [ 6.,  9., 12.],
    [ 8., 12., 16.]])
>>>a.grad b.grad   # a和b的requires_grad都为默认(默认为false)，所以求导时，没有梯度
(none, none)
>>>a.mm(b.view(1,-1))  # a.dot(b^t)
    tensor([[ 2.,  3.,  4.],
    [ 4.,  6.,  8.],
    [ 6.,  9., 12.],
    [ 8., 12., 16.]])

2.矩阵对矩阵求导

验证：

>>>a = torch.tensor([[1,2],[3,4.]])  #2*2矩阵
>>>x =  torch.tensor([[1,2,3],[4,5.,6]],requires_grad=true)  # 2*3矩阵
>>>f = a.mm(x)
>>>f
tensor([[ 9., 12., 15.],
    [19., 26., 33.]], grad_fn=<mmbackward>)
>>>f.backgrad(torch.ones_like(f)) # 注意括号里要加上这句
>>>x.grad
tensor([[4., 4., 4.],
    [6., 6., 6.]])

注意：

requires_grad为true的数组必须是float类型

进行backgrad的必须是标量，如果是向量，必须在后面括号里加上torch.ones_like(x)

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。