《昇思25天学习打卡营第6天 | mindspore 函数式自动微分常见用法》

1. 背景：

使用 mindspore 学习神经网络，打卡第6天；

2. 训练的内容：

使用 mindspore 的函数式自动微分常见用法；

3. 常见的用法小节：

函数式自动微分支持一系列常用的函数

3.1 损失函数：

binary_cross_entropy_with_logits 是一个损失函数，计算预测值和目标值之间的二值交叉熵损失

# 使用函数式自动微分的设计理念, 
# 自动微分接口 grad 和 value_and_grad
import numpy as np
import mindspore
from mindspore import nn
from mindspore import ops
from mindspore import Tensor, Parameter# 构建输入参数
x = ops.ones(5, mindspore.float32)
y = ops.zeros(3, mindspore.float32)
w = Parameter(Tensor(np.random.randn(5, 3), mindspore.float32), name='w')
b = Parameter(Tensor(np.random.randn(3,), mindspore.float32), name='b')# binary_cross_entropy_with_logits 是一个损失函数，计算预测值和目标值之间的二值交叉熵损失。
def function_x_y(x, y, w, b):z = ops.matmul(x, w) + bloss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))return lossloss = function_x_y(x, y, w, b)
print(loss)

3.2 微分函数与梯度计算

为了优化模型参数，需要求参数对loss的导数, 可使用 mindspore 的 grad 方法；grad函数的两个入参

fn: 求导的函数；
grad_position: 求导输入位置索引

grad_fn = mindspore.grad(function_x_y, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads) # stop gradient
# 将function改为同时输出loss和z的function_with_logits
def fucntion_with_logits(x, y, w, b):z = ops.matmul(x, w) + bloss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))return loss, zgrad_fn = mindspore.grad(fucntion_with_logits, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)

3.3 Stop Gradient

当我们希望函数输出多项时，微分函数会求所有输出项对参数的导数。此时如果想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

# 想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) + bloss = 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)

3.4 神经网络梯度计算

通过Cell构造同样的神经网络，利用函数式自动微分来实现反向传播

# 神经网络梯度计算
# Define model
class Network(nn.Cell):def __init__(self):super().__init__()self.w = wself.b = bdef construct(self, x):z = ops.matmul(x, self.w) + self.breturn z# Instantiate model
model = Network()
# Instantiate loss function
loss_fn = nn.BCEWithLogitsLoss()# Define forward function
def forward_fn(x, y):z = model(x)loss = loss_fn(z, y)return loss# 使用 trainable_params()方法取出求导的参数
grad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params())loss, grads = grad_fn(x, y)
print(grads)