pytorch定义新的自动求导函数

1. 在pytorch中想自定义求导函数，通过实现torch.autograd.Function并重写forward和backward函数，来定义自己的自动求导运算。参考官网上的demo：传送门
2. 直接上代码，定义一个ReLu来实现自动求导

import torch   class MyRelu(torch.autograd.Function):     @staticmethod     def forward(ctx, input):         # 我们使用ctx上下文对象来缓存，以便在反向传播中使用，ctx存储时候只能存tensor         # 在正向传播中，我们接收一个上下文对象ctx和一个包含输入的张量input；         # 我们必须返回一个包含输出的张量，         # input.clamp(min = 0)表示讲输入中所有值范围规定到0到正无穷，如input=[-1,-2,3]则被转换成input=[0,0,3]         ctx.save_for_backward(input)                  # 返回几个值，backward接受参数则包含ctx和这几个值         return input.clamp(min = 0)      @staticmethod     def backward(ctx, grad_output):         # 把ctx中存储的input张量读取出来         input, = ctx.saved_tensors                  # grad_output存放反向传播过程中的梯度         grad_input = grad_output.clone()                  # 这儿就是ReLu的规则，表示原始数据小于0，则relu为0，因此对应索引的梯度都置为0         grad_input[input < 0] = 0         return grad_input 

3. 进行输入数据并测试

dtype = torch.float device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 使用torch的generator定义随机数，注意产生的是cpu随机数还是gpu随机数 generator=torch.Generator(device).manual_seed(42)  # N是Batch, H is hidden dimension， # D_in is input dimension;D_out is output dimension. N, D_in, H, D_out = 64, 1000, 100, 10  x = torch.randn(N, D_in, device=device, dtype=dtype,generator=generator) y = torch.randn(N, D_out, device=device, dtype=dtype, generator=generator)  w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True, generator=generator) w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True, generator=generator)  learning_rate = 1e-6 for t in range(500):     relu = MyRelu.apply     # 使用函数传入参数运算      y_pred = relu(x.mm(w1)).mm(w2) 	# 计算损失     loss = (y_pred - y).pow(2).sum()     if t % 100 == 99:         print(t, loss.item())     # 传播     loss.backward()     with torch.no_grad():         w1 -= learning_rate * w1.grad         w2 -= learning_rate * w2.grad        	         w1.grad.zero_()         w2.grad.zero_() 

4. 暂时先做这些测试，如有问题，恳请指正