函数式自动微分

学习心得

1. 反向传播：神经网络在训练时，会使用一个叫做“反向传播”的方法。这个方法的基本思路是这样的：首先，神经网络会做出一个预测（我们称之为“logits”），然后我们将这个预测与真实的答案（我们称之为“label”）进行比较，通过一个叫做“损失函数”的工具来得到一个“loss”（损失值）。这个损失值可以告诉我们神经网络的预测有多不准确。接下来，我们利用反向传播算法来计算如何调整神经网络的参数，以使得损失值降低。这个计算过程会生成一个“梯度”（gradients），梯度可以告诉我们应该如何调整神经网络的参数。最后，我们会根据这个梯度来更新神经网络的参数。
2. 自动微分：自动微分是一个强大的工具，它可以自动地计算一个函数在任意点上的导数值。在神经网络训练中，自动微分可以帮助我们更轻松地计算梯度。它通过将复杂的数学运算分解为一系列简单的基本运算，从而自动地计算出梯度，而不需要我们手动进行复杂的求导计算。这大大简化了神经网络的训练过程，降低了使用深度学习框架的门槛。
3. 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

笔记

import numpy as np
import mindspore
from mindspore import nn
from mindspore import ops
from mindspore import Tensor, Parameter

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

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
# 计算损失（loss）的函数
def function(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)) # 损失函数，计算预测值和目标值之间的二值交叉熵损失。return loss # ,zgrad_fn = mindspore.grad(function, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)

(Tensor(shape=[5, 3], dtype=Float32, value=[[ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01],[ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01],[ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01],[ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01],[ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01]]),Tensor(shape=[3], dtype=Float32, value= [ 6.56869709e-02,  5.37334494e-02,  3.01467031e-01]))

神经网络梯度计算

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 lossgrad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params())
loss, grads = grad_fn(x, y)
print(grads)

(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01],[ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01],[ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01],[ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01],[ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01]]), Tensor(shape=[3], dtype=Float32, value= [ 2.38697276e-01,  2.73945987e-01,  1.91579953e-01]))