pytorch中的自定义反向传播,求导实例
pytorch中自定义backward()函数。在图像处理过程中,我们有时候会使用自己定义的算法处理图像,这些算法多是基于numpy或者scipy等包。
那么如何将自定义算法的梯度加入到pytorch的计算图中,能使用Loss.backward()操作自动求导并优化呢。下面的代码展示了这个功能`
importtorch importnumpyasnp fromPILimportImage fromtorch.autogradimportgradcheck classBicubic(torch.autograd.Function): defbasis_function(self,x,a=-1): x_abs=np.abs(x) ifx_abs<1andx_abs>=0: y=(a+2)*np.power(x_abs,3)-(a+3)*np.power(x_abs,2)+1 elifx_abs>1andx_abs<2: y=a*np.power(x_abs,3)-5*a*np.power(x_abs,2)+8*a*x_abs-4*a else: y=0 returny defbicubic_interpolate(self,data_in,scale=1/4,mode='edge'): #data_in=data_in.detach().numpy() self.grad=np.zeros(data_in.shape,dtype=np.float32) obj_shape=(int(data_in.shape[0]*scale),int(data_in.shape[1]*scale),data_in.shape[2]) data_tmp=data_in.copy() data_obj=np.zeros(shape=obj_shape,dtype=np.float32) data_in=np.pad(data_in,pad_width=((2,2),(2,2),(0,0)),mode=mode) print(data_tmp.shape) foraxis0inrange(obj_shape[0]): f_0=float(axis0)/scale-np.floor(axis0/scale) int_0=int(axis0/scale)+2 axis0_weight=np.array( [[self.basis_function(1+f_0),self.basis_function(f_0),self.basis_function(1-f_0),self.basis_function(2-f_0)]]) foraxis1inrange(obj_shape[1]): f_1=float(axis1)/scale-np.floor(axis1/scale) int_1=int(axis1/scale)+2 axis1_weight=np.array( [[self.basis_function(1+f_1),self.basis_function(f_1),self.basis_function(1-f_1),self.basis_function(2-f_1)]]) nbr_pixel=np.zeros(shape=(obj_shape[2],4,4),dtype=np.float32) grad_point=np.matmul(np.transpose(axis0_weight,(1,0)),axis1_weight) foriinrange(4): forjinrange(4): nbr_pixel[:,i,j]=data_in[int_0+i-1,int_1+j-1,:] foriiinrange(data_in.shape[2]): self.grad[int_0-2+i-1,int_1-2+j-1,ii]=grad_point[i,j] tmp=np.matmul(axis0_weight,nbr_pixel) data_obj[axis0,axis1,:]=np.matmul(tmp,np.transpose(axis1_weight,(1,0)))[:,0,0] #img=np.transpose(img[0,:,:,:],[1,2,0]) returndata_obj defforward(self,input): print(type(input)) input_=input.detach().numpy() output=self.bicubic_interpolate(input_) #returninput.new(output) returntorch.Tensor(output) defbackward(self,grad_output): print(self.grad.shape,grad_output.shape) grad_output.detach().numpy() grad_output_tmp=np.zeros(self.grad.shape,dtype=np.float32) foriinrange(self.grad.shape[0]): forjinrange(self.grad.shape[1]): grad_output_tmp[i,j,:]=grad_output[int(i/4),int(j/4),:] grad_input=grad_output_tmp*self.grad print(type(grad_input)) #returngrad_output.new(grad_input) returntorch.Tensor(grad_input) defbicubic(input): returnBicubic()(input) defmain(): hr=Image.open('./baboon/baboon_hr.png').convert('L') hr=torch.Tensor(np.expand_dims(np.array(hr),axis=2)) hr.requires_grad=True lr=bicubic(hr) print(lr.is_leaf) loss=torch.mean(lr) loss.backward() if__name__=='__main__': main()
要想实现自动求导,必须同时实现forward(),backward()两个函数。
1、从代码中可以看出来,forward()函数是针对numpy数据操作,返回值再重新指定为torch.Tensor类型。因此就有这个问题出现了:forward输入input被转换为numpy类型,输出转换为tensor类型,那么输出output的grad_fn参数是如何指定的呢。调试发现,当main()中hr的requires_grad被指定为True,即hr被指定为需要求导的叶子节点。只要Bicubic类继承自torch.autograd.Function,那么output也就是代码中的lr的grad_fn就会被指定为
2、backward()为求导的函数,gard_output是链式求导法则的上一级的梯度,grad_input即为我们想要得到的梯度。只需要在输入指定grad_output,在调用loss.backward()过程中的某一步会执行到Bicubic的backwward()函数
以上这篇pytorch中的自定义反向传播,求导实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。