求偏导的一般形式

分析中的一些知识

映射 $f: R^n \rightarrow R^m, x \mapsto f(x)=y$ ，对 $x=(x_1, x_2, \cdots, x_n)^T \in R^n$ ，存在 $y=(y_1, y_2, \cdots, y_m)^T=f(x) \in R^m$ ，

当 $f$ 为线性函数时 $y=Wx$ ，其中 $W \in R^{m\times n}$ 。可拆解为：
$\large y = \begin{pmatrix} y_1 \\ y_2 \\ \vdots \\ y_m \\ \end{pmatrix} = \begin{pmatrix} r_1x \\ r_2x \\ \vdots \\ r_mx \\ \end{pmatrix} = \begin{pmatrix} w_{1,1}x_1+w_{1,2}x_2+\cdots+w_{1,n}x_n \\ w_{2,1}x_1+w_{2,2}x_2+\cdots+w_{2,n}x_n \\ \vdots \\ w_{m,1}x_1+w_{m,2}x_2+\cdots+w_{m,n}x_n \\ \end{pmatrix}$

一阶梯度为jaccob矩阵
$\large J = \begin{pmatrix} \frac{\partial y_1}{\partial x_1} & \frac{\partial y_1}{\partial x_2} &\cdots& \frac{\partial y_1}{\partial x_n}\\ \frac{\partial y_2}{\partial x_1} & \frac{\partial y_2}{\partial x_2} &\cdots& \frac{\partial y_2}{\partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial y_m}{\partial x_1} & \frac{\partial y_m}{\partial x_2} &\cdots& \frac{\partial y_m}{\partial x_n} \end{pmatrix}_{(m \times n)} \in \mathbb{R}^{m,n}$
特别的，当 $m=1$ 时，一阶梯度为：
$\frac{\partial{y}}{\partial{x}} = \nabla_x (y) = (\frac{\partial{y}}{\partial{x_1}},\frac{\partial{y}}{\partial{x_2}}, \cdots, \frac{\partial{y}}{\partial{x_n}})^T \in \mathbb{R}^n$

在pytorch的autograd.grad函数或backward方法中，grad_outputs/grad_tensors 是一个与outputs的形状一致的向量，即：
$\large \mathrm{grad\_outputs}=(a_1, a_2, \cdots,a_m)^T$
在给定grad_outputs 之后，真正返回的梯度为：
$\large grad = J^T \times \mathrm{grad\_outputs} = \begin{pmatrix} a_1\frac{\partial y_1}{\partial x_1}+a_2\frac{\partial y_2}{\partial x_2}+\cdots+a_m\frac{\partial y_m}{\partial x_1}\\ a_1\frac{\partial y_2}{\partial x_2}+a_2\frac{\partial y_1}{\partial x_2}+\cdots+a_m\frac{\partial y_m}{\partial x_2}\\ \cdots\cdots\cdots\cdots \\ a_1\frac{\partial y_1}{\partial x_n}+a_2\frac{\partial y_1}{\partial x_n}+\cdots+a_m\frac{\partial y_m}{\partial x_n}\\ \end{pmatrix}_{n\times 1} \in \mathbb{R}^n.$
输出的梯度与inputs形状一致的向量，相当于是将 $y$ 中每个维度的梯度进行加权求和。

参考pytorch官网的关于求导教程，我将其重新总结一下，意思是在得到 $y\in R^m$ 后用于计算损失： $z=g(y) \in R^1$ ，所以 $z$ 对 $x$ 的梯度就根据<u>链式法则</u>可以写为：（这里雅可比算子记为 $D$ ， $y$ 对 $x$ 的导数记为 $D_x (y)$ ）
$\frac{\partial z}{\partial x} = \sum_{i=1}^m \frac{\partial z}{\partial y_i} \frac{\partial y_i}{\partial x} = \sum_{i=1}^m \frac{\partial z}{\partial y_i} \begin{pmatrix} \frac{\partial y_i}{\partial x_1} \\ \frac{\partial y_i}{\partial x_2} \\ \vdots \\ \frac{\partial y_i}{\partial x_n} \\ \end{pmatrix}_{n \times 1} = \begin{pmatrix} \sum_{i=1}^m \frac{\partial z}{\partial y_i} \frac{\partial y_i}{\partial x_1} \\ \sum_{i=1}^m \frac{\partial z}{\partial y_i} \frac{\partial y_i}{\partial x_2} \\ \vdots \\ \sum_{i=1}^m \frac{\partial z}{\partial y_i} \frac{\partial y_i}{\partial x_n} \\ \end{pmatrix}_{n \times 1} \\ = [ \begin{pmatrix} \frac{\partial z}{\partial y_1} & \frac{\partial z}{\partial y_2} & \cdots & \frac{\partial z}{\partial y_m} \\ \end{pmatrix}_{1 \times m} \times \begin{pmatrix} \frac{\partial y_1}{\partial x_1} & \frac{\partial y_1}{\partial x_2} &\cdots& \frac{\partial y_1}{\partial x_n}\\ \frac{\partial y_2}{\partial x_1} & \frac{\partial y_2}{\partial x_2} &\cdots& \frac{\partial y_2}{\partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial y_m}{\partial x_1} & \frac{\partial y_m}{\partial x_2} &\cdots& \frac{\partial y_m}{\partial x_n} \end{pmatrix}_{n\times m} ]^T \\ = [ \begin{pmatrix} \nabla_y (z)^T \end{pmatrix}_{1 \times m} \times \begin{pmatrix} D_x (y) \end{pmatrix}_{n \times m} ]^T = \begin{pmatrix} D_x (y)^T \end{pmatrix}_{n \times m} \times \begin{pmatrix} \nabla_y (z) \end{pmatrix}_{m \times 1}$
或者根据<u>维度对齐</u>，反向推出：
$\frac{\partial z}{\partial x} = \begin{pmatrix} \frac{\partial z}{\partial x_1} \\ \frac{\partial z}{\partial x_2} \\ \vdots \\ \frac{\partial z}{\partial x_n} \\ \end{pmatrix}_{n \times 1} = \begin{pmatrix} D_x (y)^T \end{pmatrix}_{n \times m} \times \begin{pmatrix} \nabla_y (z) \end{pmatrix}_{m \times 1} \\ = \begin{pmatrix} \frac{\partial y_1}{\partial x_1} & \frac{\partial y_2}{\partial x_1} &\cdots& \frac{\partial y_m}{\partial x_1} \\ \frac{\partial y_1}{\partial x_2} & \frac{\partial y_2}{\partial x_2} &\cdots& \frac{\partial y_m}{\partial x_2} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial y_1}{\partial x_n} & \frac{\partial y_2}{\partial x_n} &\cdots& \frac{\partial y_m}{\partial x_n} \end{pmatrix}_{n \times m} \times \begin{pmatrix} \frac{\partial z}{\partial y_1} \\ \frac{\partial z}{\partial y_2} \\ \vdots \\ \frac{\partial z}{\partial y_m} \\ \end{pmatrix}_{m \times 1} = \begin{pmatrix} \sum_{i=1}^n \frac{\partial y_i}{\partial x_1} \frac{\partial z}{\partial y_i} \\ \sum_{i=1}^n \frac{\partial y_i}{\partial x_1} \frac{\partial z}{\partial y_i} \\ \vdots \\ \sum_{i=1}^n \frac{\partial y_i}{\partial x_1} \frac{\partial z}{\partial y_i} \\ \end{pmatrix}_{n \times 1} \\ = \sum_{i=1}^m \frac{\partial z}{\partial y_i} \begin{pmatrix} \frac{\partial y_i}{\partial x_1} \\ \frac{\partial y_i}{\partial x_2} \\ \vdots \\ \frac{\partial y_i}{\partial x_n} \\ \end{pmatrix}_{n \times 1} = \sum_{i=1}^m \frac{\partial z}{\partial y_i} \frac{\partial y_i}{\partial x}$
以上可以作为一般的复合多元函数的求导公式。

pytorch官网的教程

pytorch中求导函数还有两个参数：

retain_graph如果为True，则每次backward后，梯度会累加，如线性层中参数b.grad开始时为0，第一次backward后b.grad=1，再一次backward候b.grad变为2。

分两种情况考虑：一个节点衍生出多个节点：比如 $x=2z, y=z^2$ 这种z生成了x和y。还有就是多个节点衍生出一个节点比如：要计算 $z=x^2 y$ （这里 $x,y,z$ 均为标量）的导数，有两个变量 $x,y$ ， $\frac{\partial z}{\partial y} =x^2$ ， $\frac{\partial z}{\partial x} =2xy$ ，计算图如下：

两种计算图.png

grad与backward的最大区别就是前者需要指定输入输出，并将计算的梯度结果以return形式返回；而后者不用指定输入输出，计算的梯度结果直接存入叶子节点的grad属性中。

create_graph如果要计算高阶导数，则必须选为True。

另外，更高维度的pytorch求导，可以参考：https://blog.csdn.net/waitingwinter/article/details/105774720
因为本人暂时用不到多元符合函数高阶求导，就没有去验证是否正确。

最后编辑于：2022.01.28 22:11:53

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 206,723评论 6赞 481
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 88,485评论 2赞 382
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 152,998评论 0赞 344
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 55,323评论 1赞 279
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 64,355评论 5赞 374
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 49,079评论 1赞 285
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,389评论 3赞 400
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 37,019评论 0赞 259
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 43,519评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,971评论 2赞 325
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 38,100评论 1赞 333
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,738评论 4赞 324
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,293评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 30,289评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,517评论 1赞 262
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,547评论 2赞 354
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,834评论 2赞 345

求偏导的一般形式

分析中的一些知识

推荐阅读更多精彩内容