C++前端中的Autograd

创建日期: 2020年4月1日 | 最后更新日期: 2022年9月12日 | 最后验证: 未验证

The autograd 包是构建高度灵活和动态神经网络的基础包。PyTorch Python 前端中的大多数 autograd API 也在 C++ 前端可用，允许轻松地将 autograd 代码从 Python 转换为 C++。

在本教程中，我们将探讨在PyTorch C++前端中进行自动微分的几个示例。 请注意，本教程假设您已经对Python前端中的自动微分有了基本了解。如果不是这样，请先阅读 Autograd：自动微分。

基本自动求导操作

（改编自 此教程）

创建一个张量并设置 torch::requires_grad() 来跟踪其计算

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

Out:

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

执行张量操作：

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

Out:

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

y 是某个操作的结果，因此它有一个 grad_fn。

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

Out:

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;

Out:

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

.requires_grad_( ... ) 在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;

Out:

false
true
SumBackward0

现在让我们反向传播。因为out包含一个单一标量，out.backward() 等价于out.backward(torch::tensor(1.))。

out.backward();

打印梯度 d(out)/dx

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

Out:

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

您应该得到一个 4.5 的矩阵。关于如何得出这个值的解释，请参见 本教程中的相应部分。

现在让我们来看一个向量-雅可比乘积的示例：

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;

Out:

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

如果我们想要向量-雅可比乘积，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;

Out:

  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进行历史跟踪

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;
}

Out:

true
true
false

Or by using .detach() 获取一个新的张量，内容相同但不需要梯度：

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;

Out:

true
false
true

有关C++张量自动求导API的更多信息，如grad / requires_grad / is_leaf / backward / detach / detach_ / register_hook / retain_grad, 请参阅对应的C++ API文档。

在C++中计算高阶梯度

One of the 应用之一 是高阶梯度计算梯度惩罚。 让我们看一个使用 torch::autograd::grad 的例子：

#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;

Out:

-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} ]

请参阅torch::autograd::backward 的文档（链接） 和 torch::autograd::grad 的文档（链接） 以获取更多关于如何使用它们的信息。

用C++实现自定义自动求导函数

（改编自 此教程）

向torch::autograd添加一个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 是 torch::autograd 用来计算结果和梯度，并编码操作历史的类。每一个新函数都需要你实现两个方法：forward 和 backward，请参阅此链接以获取详细的要求。

Below you can find code for a Linear 函数从 torch::nn：

#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，我们可以这样使用 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;

Out:

 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} ]

这里，我们给出一个由非张量参数化的函数的额外示例：

#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，我们可以这样使用 MulConstant：

auto x = torch::randn({2}).requires_grad_();
auto y = MulConstant::apply(x, 5.5);
y.sum().backward();

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

Out:

 5.5000
 5.5000
[ CPUFloatType{2} ]

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

将自动微分代码从Python翻译成C++

在高层次上，使用 C++ 中的 autograd 最简单的方法是在 Python 中先编写好工作中的 autograd 代码，然后使用以下表格将你的 autograd 代码从 Python 转译为 C++。

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

翻译后，大部分您的Python autograd代码在C++中应该可以直接运行。 如果不行，请在GitHub issues提交bug报告，我们会尽快修复。

结论

您现在应该对PyTorch的C++自动求导API有了很好的了解。 您可以在这里找到本说明中显示的代码示例。一如既往，如果您遇到任何问题或有任何疑问，可以使用我们的论坛 或GitHub问题来联系我们。