自动微分的原理

训练神经网络包括迭代地调整模型参数（权重和偏置）以最小化损失函数。这种调整依赖于知晓每个参数的微小变化如何影响最终的损失值。从数学上讲，这种敏感性由损失函数对每个参数的梯度来体现。对于损失 $L$ 和参数 $w$，我们需要计算 $\frac{\partial L}{\partial w}$。

对于非常简单的模型，手动使用微积分规则计算这些梯度是可行的，但对于当今常见的深度多层网络来说，这很快就会变得异常复杂且容易出错。想象一下为拥有数百万参数的模型推导导数！这时，**自动微分（AD）**就派上用场了。

AD 是一系列以数值方式评估由计算机程序定义的函数导数的方法。与符号微分（它操作数学表达式，常导致复杂且低效的公式）或数值微分（它使用有限差分近似导数，可能存在截断和舍入误差）不同，AD 通过在构成整体计算的基本运算（加法、乘法、三角函数等）层面系统地应用微积分的链式法则，高效地计算出精确的梯度。

链式法则：AD 的核心

其核心是，AD 依赖于链式法则。如果有一系列函数，例如 $y = f(x)$ 和 $z = g(y)$，链式法则告诉我们如何找到复合函数 $z = g(f(x))$ 对 $x$ 的导数：

$$\frac{dz}{dx} = \frac{dz}{dy} \cdot \frac{dy}{dx}$$

AD 将复杂的计算分解为一系列基本运算。然后，它计算每个小步骤的局部导数，并使用链式法则将它们组合起来以得到整体梯度。

考虑一个简单例子：$L = (w \cdot x + b)^2$。令 $y = w \cdot x + b$。则 $L = y^2$。 要找到 $\frac{\partial L}{\partial w}$，链式法则给出：

$$\frac{\partial L}{\partial w} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial w}$$

我们知道 $\frac{\partial L}{\partial y} = 2y$ 和 $\frac{\partial y}{\partial w} = x$。将 $y$ 代回，我们得到：

$$\frac{\partial L}{\partial w} = (2(w \cdot x + b)) \cdot x$$

AD 自动完成这个过程，即使运算链非常长。

正向模式与反向模式

在 AD 中应用链式法则主要有两种方式：

1. 正向模式（正向累积）： 通过从输入到输出遍历计算步骤来计算导数。它计算一个输入的改变如何影响所有中间变量和最终输出。当输入数量相对于输出数量较少时，它比较高效。
2. 反向模式（反向累积）： 通过从最终输出到输入反向遍历计算步骤来计算导数。它计算最终输出的改变如何受到所有中间变量和输入的影响。当输出数量相对于输入数量较少时，这种模式明显更高效，这正是深度学习中的情况，因为我们通常只有一个标量损失值和数百万个参数（损失函数的输入）。

PyTorch 的 Autograd 系统使用反向模式自动微分。

Autograd 如何使用 AD

当您对 requires_grad 属性设置为 True 的 PyTorch 张量执行操作时，PyTorch 会在后台构建一个有向无环图（DAG）。这个图通常被称为计算图，它记录了操作序列（节点）和涉及的张量（边）。

让我们直观地看一下 $L = (a \cdot x + b)^2$ 的简单计算图，假设 $a$、$x$ 和 $b$ 是输入张量（或之前计算的结果），并且我们想得到 $\frac{\partial L}{\partial a}$、$\frac{\partial L}{\partial x}$ 和 $\frac{\partial L}{\partial b}$。

$L = (a \cdot x + b)^2$ 计算图的表示。实线表示正向传播，构建图。虚线表示反向传播期间梯度的流动，应用链式法则。

当您在最终输出张量（通常是标量损失 $L$）上调用 .backward() 时，Autograd 会从该输出开始并反向遍历图。在每个步骤（节点），它根据后续节点的梯度和当前节点执行运算的局部导数来计算梯度，有效地应用了链式法则。然后，对每个需要梯度的张量（如模型参数）计算出的梯度会累积到它们的 .grad 属性中。

这种机制使 PyTorch 能够自动计算由张量运算序列定义的任意复杂模型的梯度，让您摆脱手动推导的繁琐且容易出错的任务。接下来的章节将演示如何实际使用 Autograd 的功能：定义需要梯度的张量、隐式构建计算图、触发反向传播、访问梯度以及控制梯度计算。