[人工智能]《动手学深度学习》第二章——预备知识_2.5自动微分_学习思考与习题答案

2.5. 自动微分

作者 github链接： github链接

练习

1. 证明一个矩阵$\mathbf{A}$的转置的转置是$\mathbf{A}$，即$({\mathbf{A}}^{?}{)}^{?}=\mathbf{A}$。
2. 给出两个矩阵$\mathbf{A}$和$\mathbf{B}$，证明“它们转置的和”等于“它们和的转置”，即${\mathbf{A}}^{?}+{\mathbf{B}}^{?}=(\mathbf{A}+\mathbf{B}{)}^{?}$。
3. 给定任意方阵$\mathbf{A}$，$\mathbf{A}+{\mathbf{A}}^{?}$总是对称的吗?为什么?
4. 我们在本节中定义了形状$(2,3,4)$的张量X。len(X)的输出结果是什么？
5. 对于任意形状的张量X,len(X)是否总是对应于X特定轴的长度?这个轴是什么?
6. 运行A/A.sum(axis=1)，看看会发生什么。你能分析原因吗？
7. 考虑一个具有形状$(2,3,4)$的张量，在轴0、1、2上的求和输出是什么形状?
8. 为linalg.norm函数提供3个或更多轴的张量，并观察其输出。对于任意形状的张量这个函数计算得到什么?

练习参考答案

1. 为什么计算二阶导数比一阶导数的开销要更大？
   因为二阶导数是在一阶导数运算过的基础上进行的，所以计算二阶导数必然比一阶导数的开销要更大
2. 在运行反向传播函数之后，立即再次运行它，看看会发生什么。
   会报错的，对于Pytorch来说，前向过程建立计算图，反向传播后释放。因为计算图的中间结果已经被释放了，所以第二次运行反向传播就会出错。这时在 backward 函数中加上参数 retain_graph=True，就能两次运行反向传播了。
3. 在控制流的例子中，我们计算d关于a的导数，如果我们将变量a更改为随机向量或矩阵，会发生什么？
   发生运行时错误，在Pytorch中，不让张量对张量求导，只允许标量对张量求导。如果想对一个非标量调用backward()，则需要传入一个gradient参数。
4. 重新设计一个求控制流梯度的例子，运行并分析结果。

#当 a 的范数大于10时，梯度为所有元素为 1 的向量；当 a 的梯度不大于 10 时，梯度为所有元素为 2 的向量。
def f(a):
    if a.norm() > 10:
        b = a
    else:
        b = 2 * a
    return b.sum()

a = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0], requires_grad=True)
d = f(a)
d.backward()

6. 使$f(x)=\sin (x)$，绘制$f(x)$和$\frac{df(x)}{dx}$的图像，其中后者不使用$f^{\prime }(x)=\cos (x)$。

其中后者不使用$f^{\prime }(x)=\cos (x)$,说明这个题的本意是让我们把函数求导得到的导数值都存下来，根据这些存下来的df值，画出$f^{\prime }(x)$

#导入相应的库
import numpy as np
import torch
import matplotlib.pyplot as plt

#做一些定义
x = np.arange(-5, 5, 0.02)#定义自变量在[5,5]之间，每个数间隔0.02
f = np.sin(x)
df = []

for i in x:
  #对x的每一个值都去求一下导数
  v = torch.tensor(i,requires_grad=True)
  y = torch.sin(v)
  y.backward()
  df.append(v.grad)
#绘图部分
# Create plots with pre-defined labels.
fig, ax = plt.subplots()
ax.plot(x, f, 'k', label='f(x)')
ax.plot(x, df, 'k*', label='df(x)')

legend = ax.legend(loc='upper left', shadow=True, fontsize='x-large')

# Put a nicer background color on the legend.
legend.get_frame().set_facecolor('C0')

plt.show()

参考资料

参考博文