课程大纲 第 55 课,共 246 课 · 第 4 模块:你自己的自动微分引擎
第 4 模块:你自己的自动微分引擎

加法和乘法的反向传播

为什么重要 有了这两条规则和排序,你的引擎就已经能对任何由加法和乘法组成的公式求导了。

每一种运算都会在它创建的 Tensor 上附加一个小函数 _backward。被调用时,它读取 out.grad,并把它的那一份加到每一个父节点的 grad 上:

  • 对于 out = a + b:a 得到 out.grad,b 得到 out.grad。
  • 对于 out = a * b:a 得到 out.grad * b.data,b 得到 out.grad * a.data。

总是加到父节点的 grad 上(+= 的方式),永远不要覆盖:一个被用了两次的节点必须收集两份贡献。然后 backward() 把最终节点的 grad 设为 1,并按拓扑顺序的逆序调用每一个 _backward。

(顶部导入的、已提供的 unbroadcast 辅助函数,会处理被广播拉伸过的形状。你会在两课之后写出你自己的版本;现在,把每一份贡献都用它包起来。)

本课中的词语和符号
Tensor
在这里指:一个数组,加上它的梯度,再加上它所来自的那些 Tensor
拓扑顺序
每一个节点都列在它所依赖的节点之后
.grad
最终损失关于这个 Tensor 的梯度
unbroadcast
把一个梯度求和还原成它被拉伸之前的形状
轮到你了

填写两个 _backward 函数和 backward 方法。隐藏的测试会对混合了 + 和 * 的公式做梯度检查,包括一个被用了两次的节点。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。