Autograd: 자동 미분

PyTorch의 모든 신경망의 중심에는 autograd 패키지가 있습니다. 먼저 이것을 가볍게 살펴본 뒤, 첫번째 신경망을 학습시켜보겠습니다.

autograd 패키지는 Tensor의 모든 연산에 대해 자동 미분을 제공합니다. 이는 실행-기반-정의(define-by-run) 프레임워크로, 이는 코드를 어떻게 작성하여 실행하느냐에 따라 역전파가 정의된다는 뜻이며, 역전파는 학습 과정의 매 단계마다 달라집니다.

좀 더 간단한 용어로 몇 가지 예를 보이겠습니다.

변수(Variable)

패키지의 중심에는 autograd.Variable 클래스가 있습니다. 이는 Tensor를 감싸고(wrap) 있으며, Tensor 기반으로 정의된 거의 대부분의 연산을 지원합니다. 계산이 완료된 후 .backward() 를 호출하여 모든 변화도(gradient)을 자동으로 계산할 수 있습니다.

.data 속성을 사용하여 tensor 자체(raw tensor)에 접근할 수 있으며, 이 변수와 관련된 변화도는 .grad 에 누적됩니다.

Variable

Variable

Autograd 구현에서 매우 중요한 클래스가 하나 더 있는데요, 바로 Function 클래스입니다.

VariableFunction 은 상호 연결되어 있으며, 모든 연산 과정을 부호화(encode)하여 순환하지 않은 그래프(acyclic graph)를 생성합니다. 각 변수는 .grad_fn 속성을 갖고 있는데, 이는 Variable 을 생성한 Function 을 참조하고 있습니다. (단, 사용자가 만든 Variable은 예외로, 이 때 grad_fnNone 입니다.)

도함수를 계산하기 위해서는, Variable.backward() 를 호출하면 됩니다. Variable 이 스칼라(scalar)인 경우(예. 하나의 요소만 갖는 등)에는, backward 에 인자를 정해줄 필요가 없습니다. 하지만 여러 개의 요소를 갖고 있을 때는 tensor의 모양을 gradient 의 인자로 지정할 필요가 있습니다.

import torch
from torch.autograd import Variable

변수를 생성합니다:

x = Variable(torch.ones(2, 2), requires_grad=True)
print(x)

Out:

Variable containing:
 1  1
 1  1
[torch.FloatTensor of size 2x2]

변수에 연산을 수행합니다:

y = x + 2
print(y)

Out:

Variable containing:
 3  3
 3  3
[torch.FloatTensor of size 2x2]

y 는 연산의 결과로 생성된 것이므로, grad_fn 을 갖습니다.

print(y.grad_fn)

Out:

<AddBackward0 object at 0x7fc227cd5cf8>

y에 다른 연산을 수행합니다:

z = y * y * 3
out = z.mean()

print(z, out)

Out:

Variable containing:
 27  27
 27  27
[torch.FloatTensor of size 2x2]
 Variable containing:
 27
[torch.FloatTensor of size 1]

변화도(Gradient)

이제 역전파(backprop)를 해보겠습니다. out.backward()out.backward(torch.Tensor([1.0])) 를 하는 것과 똑같습니다.

out.backward()

변화도 d(out)/dx를 출력합니다.

print(x.grad)

Out:

Variable containing:
 4.5000  4.5000
 4.5000  4.5000
[torch.FloatTensor of size 2x2]

4.5 로 이루어진 행렬이 보일 것입니다. out변수\(o\)” 라고 하면, 다음과 같이 구할 수 있습니다. \(o = \frac{1}{4}\sum_i z_i\), \(z_i = 3(x_i+2)^2\) 이고 \(z_i\bigr\rvert_{x_i=1} = 27\) 입니다. 따라서, \(\frac{\partial o}{\partial x_i} = \frac{3}{2}(x_i+2)\) 이므로, \(\frac{\partial o}{\partial x_i}\bigr\rvert_{x_i=1} = \frac{9}{2} = 4.5\).

autograd로 많은 정신나간 일들(crazy things)도 할 수 있습니다!

x = torch.randn(3)
x = Variable(x, requires_grad=True)

y = x * 2
while y.data.norm() < 1000:
    y = y * 2

print(y)

Out:

Variable containing:
-1135.8146
  785.2049
-1091.7501
[torch.FloatTensor of size 3]
gradients = torch.FloatTensor([0.1, 1.0, 0.0001])
y.backward(gradients)

print(x.grad)

Out:

Variable containing:
  204.8000
 2048.0000
    0.2048
[torch.FloatTensor of size 3]

더 읽을거리:

VariableFunction 관련 문서는 http://pytorch.org/docs/autograd 에 있습니다.

Total running time of the script: ( 0 minutes 0.002 seconds)

Gallery generated by Sphinx-Gallery