【文档学习】Pytorch——torch.autorgrad包

torch.autograd提供了实现自动计算任意标量值函数的类别核函数，需要手动修改现有代码（需要重新定义需要计算梯度Tensor，加上关键词requires_grad=True）。本文更新于2019.06.12。

torch.autograd.backward

torch.autograd.grad

局部梯度计算失效（Locally disabling gradient computation）

torch.autograd.no_grad

torch.autograd.enable_grad

torch.autograd.set_grad_enabled(mode)

In-place张量操作

在autograd中支持原位操作是很难的，PyTorch也不建议大家在大多数情况下使用这些操作。autograd的缓冲区冻结和再利用策略使其非常高效，因此极少数情况下才会为了减少内存使用而进行原位操作。除非任务内存消耗非常巨大，否则绝不要使用它们。

In-place正确性检查

所有张量都会跟踪发生在其上面的原位操作，如果检查到某个张量被保存下来用于某个函数的反向传播，但是后面它又被原位修改了，再反向传播开始的时候就会报错。这也确保了，如果你调用了原位函数而没有看见错误的情况下，所有梯度的计算应该都是正确的。

Variable（弃用）

Variable API已经被弃用了，即在调用tensor的autograd中，不再必需Variables。Autograd自动支持requires_grad为真的张量。下面给出了具体的修改：

• Variable(tensor)和Variable(tensor, requires_grad仍在使用，但是其返回Tensor而不是Variable。
• var.data与tensor.data是同一个东西。
• 诸如var.backward()、var.detach()、var.register_hook()等操作现在都被移到张量上，方法名称相同。

此外，用户也可以利用创建requires_grad=True的张量来调用factory methods， 比如torch.randn()、torch.zeros()、torch.ones等，用法类似：
autograd_tensor = torch.randn((2,3,4),requires_grad=True)

Tensor autograd functions

torch.Tesnor

backward

detach

detach_

grad

is_leaf

register_hook

requires_grad

retain_grad

Function

backward

forward

Numerical gradient checking

torch.autograd.gradcheck

torch.autograd.gradgradcheck

Profiler（分析工具）

autograd包含了一个分析器，可以观察模型中不同操作子的损失（CPU和GPU上的）。目前有两种实现模式：只支持CPU的profile和基于nvprof的（CPU和GPU上都注册了）emit_nvtx。

torch.autograd.profiler.profile

export_chrome_trace

key_averages

self_cpu_times_total

table

total_average

torch.autograd.profiler.emit_vntx

前向-反向相关

在查看用Nividia Visual Profiler中的emit_nvtx创建的profile时，将反向传播操作和左营的前向传播操作联系起来有时是很困难的。为了使这个任务更容易，emit_nvtx通过级联数字信息来排序其生成物。

在正向传播过程中，每个函数范围用seq=装饰，每增加一个反向函数目标就给反向传播存储一个。因此，seq-标注关系每个前向传播的函数范围，从而告诉用户一个反向传播的目标是否是由前向传播函数创建的。反向传播目标接收个数为N的序列。在反向传播过程中，top-level…

双反向

torch.autograd.profiler.load_nvprof

Anomaly detection（异常检测）

torch.autograd.detect_anomaly

torch.autograd.set_detect_anomaly

更多内容，欢迎加入星球讨论。