ND4J自动微分

一、前言

ND4J从beta2开始就开始支持自动微分，不过直到beta4版本为止，自动微分还只支持CPU，GPU版本将在后续版本中实现。

本篇博客中，我们将用ND4J来构建一个函数，利用ND4J SameDiff构建函数求函数值和求函数每个变量的偏微分值。

二、构建函数

构建函数和分别手动求偏导数

给定一个点（2,3）手动求函数值和偏导，计算如下：

f=2+3*4+3=17，f对x的偏导：1+2*2*3=13，f对y的偏导：4+1=5

三、通过ND4J自动微分来求

完整代码

1package org.nd4j.samediff;
2
3import org.nd4j.autodiff.samediff.SDVariable;
4import org.nd4j.autodiff.samediff.SameDiff;
5import org.nd4j.linalg.factory.Nd4j;
6
7/**
8 * 
9 * x+y*x2+y
10 *
11 */
12public class Function {
13
14	public static void main(String[] args) {
15		//构建SameDiff实例
16		SameDiff sd=SameDiff.create();
17		//创建变量x、y
18		SDVariable x= sd.var("x");
19		SDVariable y=sd.var("y");
20		
21		//定义函数
22		SDVariable f=x.add(y.mul(sd.math().pow(x, 2)));
23		f.add("addY",y);
24		
25		//给变量x、y绑定具体值
26		x.setArray(Nd4j.create(new double[]{2}));
27		y.setArray(Nd4j.create(new double[]{3}));
28		//前向计算函数的值
29		System.out.println(sd.exec(null, "addY").get("addY"));
30		//后向计算求梯度
31		sd.execBackwards(null);
32		//打印x在（2,3）处的导数
33		System.out.println(sd.getGradForVariable("x").getArr());
34		//x.getGradient().getArr()和sd.getGradForVariable("x").getArr()等效
35		System.out.println(x.getGradient().getArr());
36		//打印y在(2,3)处的导数
37		System.out.println(sd.getGradForVariable("y").getArr());
38	}
39}

四、运行结果

1o.n.l.f.Nd4jBackend - Loaded [CpuBackend] backend
2o.n.n.NativeOpsHolder - Number of threads used for NativeOps: 4
3o.n.n.Nd4jBlas - Number of threads used for BLAS: 4
4o.n.l.a.o.e.DefaultOpExecutioner - Backend used: [CPU]; OS: [Windows 10]
5o.n.l.a.o.e.DefaultOpExecutioner - Cores: [8]; Memory: [3.2GB];
6o.n.l.a.o.e.DefaultOpExecutioner - Blas vendor: [MKL]
717.0000
8o.n.a.s.SameDiff - Inferring output "addY" as loss variable as none were previously set. Use SameDiff.setLossVariables() to override
913.0000
1013.0000
115.0000

结果为17、13、5和手动求出的结果完全一致。

自动微分屏蔽了deeplearning在求微分过程中的很多细节，特别是矩阵求导、矩阵范数求导等等，是非常麻烦的，用自动微分，可以轻松实现各式各样的网络结构。

快乐源于分享。

此博客乃作者原创，转载请注明出处

评论区

相关推荐