C++ 前端中的 Autograd-Toy模板网

这篇具有很好参考价值的文章主要介绍了C++ 前端中的 Autograd。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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 前端中的大多数 autograd API 也可以在 C++ 前端中使用，从而可以轻松地将 Autograd 代码从 Python 转换为 C++。

在本教程中，我们将看几个在 PyTorch C++ 前端中进行 Autograd 的示例。请注意，本教程假定您已经对 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。

基本的 Autograd 操作

（改编自本教程）

创建一个张量并设置torch::requires_grad()以跟踪它的计算

auto x = torch::ones({2, 2}, torch::requires_grad());
std::cout << x << std::endl;

出：

1 1
1 1
[ CPUFloatType{2,2} ]

进行张量运算：

auto y = x + 2;
std::cout << y << std::endl;

出：

 3  3
 3  3
[ CPUFloatType{2,2} ]

y是由于操作而创建的，因此具有grad_fn。

std::cout << y.grad_fn()->name() << std::endl;

出：

AddBackward1

在y上执行更多操作

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;

出：

 27  27
 27  27
[ CPUFloatType{2,2} ]
MulBackward1
27
[ CPUFloatType{} ]
MeanBackward0

.requires_grad_( ... )原地更改现有张量的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;

出：

false
true
SumBackward0

现在让我们反向传播。因为out包含单个标量，所以out.backward()等效于out.backward(torch::tensor(1.))。

out.backward();

打印梯度d(out) / dx

std::cout << x.grad() << std::endl;

出：

 4.5000  4.5000
 4.5000  4.5000
[ CPUFloatType{2,2} ]

您应该具有4.5的矩阵。有关如何获得此值的说明，请参见本教程中的相应部分。

现在，让我们来看一个向量雅各布产品的示例：

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;

出：

-1021.4020
  314.6695
 -613.4944
[ CPUFloatType{3} ]
MulBackward1

如果我们想要向量-Jacobian 乘积，请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;

出：

  102.4000
 1024.0000
    0.1024
[ CPUFloatType{3} ]

您也可以通过在代码块中放置torch::NoGradGuard来停止对需要梯度的张量的跟踪历史的自动定格

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;
}

出：

true
true
false

或者使用.detach()获得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;

出：

true
false
true

有关 C++ 张量自动梯度 API 的更多信息，例如grad/requires_grad/is_leaf/backward/detach/detach_/register_hook/retain_grad，请参见相应的 C++ API 文档。

用 C++ 计算高阶梯度

高阶梯度的应用之一是计算梯度罚分。我们来看看使用torch::autograd::grad的示例：

#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;

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，请参见torch::autograd::backward和torch::autograd::grad的文档。

在 C++ 中使用自定义 Autograd 函数

（改编自本教程）

向torch::autograd添加新的基本操作需要为每个操作实现一个新的torch::autograd::Function子类。 torch::autograd::Function用于torch::autograd计算结果和梯度，并对操作历史进行编码。每个新函数都需要您实现两种方法：forward和backward，有关详细要求，请参见此链接。

在下面，您可以从torch::nn找到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;

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，我们给出了一个由非张量参数设置参数的函数的附加示例：

#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;

出：

 5.5000
 5.5000
[ CPUFloatType{2} ]

有关torch::autograd::Function的更多信息，请参见其文档。

将 Autograd 代码从 Python 转换为 C++

在较高的层次上，在 C++ 中使用 Autograd 的最简单方法是先在 Python 中拥有可用的 Autograd 代码，然后使用下表将您的 Autograd 代码从 Python 转换为 C++：

Python	C++
`torch.autograd.backward`	`torch::autograd::backward`）
`torch.autograd.grad`	`torch::autograd::grad`）
`torch.Tensor.detach`	`torch::Tensor::detach`）
`torch.Tensor.detach_`	`torch::Tensor::detach_`）
`torch.Tensor.backward`	`torch::Tensor::backward`）
`torch.Tensor.register_hook`	`torch::Tensor::register_hook`）
`torch.Tensor.requires_grad`	`torch::Tensor::requires_grad_`）
`torch.Tensor.retain_grad`	`torch::Tensor::retain_grad`）
`torch.Tensor.grad`	`torch::Tensor::grad`）
`torch.Tensor.grad_fn`	`torch::Tensor::grad_fn`）
`torch.Tensor.set_data`	`torch::Tensor::set_data`）
`torch.Tensor.data`	`torch::Tensor::data`）
`torch.Tensor.output_nr`	`torch::Tensor::output_nr`）
`torch.Tensor.is_leaf`	`torch::Tensor::is_leaf`）