如何在 PyTorch 中使用 autograd.gradcheck？答案

【问题标题】：How to use autograd.gradcheck in PyTorch?如何在 PyTorch 中使用 autograd.gradcheck？
【发布时间】：2019-12-28 20:16:18
【问题描述】：

文档不包含任何 gradcheck 的示例用例，它在哪里有用？

【问题讨论】：

标签： pytorch autograd

【解决方案1】：

这里的文档中提供了一个示例用例：

https://pytorch.org/docs/master/notes/extending.html

您可能想检查您实施的后向方法实际上计算函数的导数。可以通过与使用小有限的数值近似进行比较区别：

from torch.autograd import gradcheck

# gradcheck takes a tuple of tensors as input, check if your gradient
# evaluated with these tensors are close enough to numerical
# approximations and returns True if they all verify this condition.
input = (torch.randn(20,20,dtype=torch.double,requires_grad=True), torch.randn(30,20,dtype=torch.double,requires_grad=True))
test = gradcheck(linear, input, eps=1e-6, atol=1e-4)
print(test)

正如上面的引用所暗示的，gradcheck 函数的目的是验证自定义后向函数是否与梯度的数值近似一致。主要用例是当您实现自定义后向操作时。 在极少数情况下，您应该在 PyTorch 中实现自己的后向函数。这是因为 PyTorch 的 autograd 功能负责计算绝大多数操作的梯度。

最明显的例外是

您有一个函数不能表示为其他可微函数的有限组合（例如，如果您需要不完整的 gamma 函数，您可能需要编写自己的使用 numpy 和/或查找表）。
您希望加快一个特别复杂的表达式的计算速度，在应用链式法则后，该表达式的梯度可以大大简化。

【讨论】：

gradcheck函数中的第一个参数指的是什么？线性层？如何将它与我编写的自定义函数一起使用？
gradcheck 的文档可以在here 找到。第一个参数是一个函数，它接受一个张量（大小和类型与input 相同）并返回一个张量或张量元组。