课程大纲 第 57 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

当形状被拉伸时的反向传播(广播)

为什么重要 这是世界上最常见的自动微分缺陷。一个形状为 (4,) 的偏置被加到一个形状为 (32, 4) 的批次上,它被用了 32 次,所以它的梯度必须把全部 32 份贡献加起来。

很小的数字

out = X + b,其中 X 是 (3, 2),b 是 (2,)。到达的梯度是 (3, 2)。b 被复制到了全部 3 行,所以每一份副本都收到了一份:b 的梯度是在各行上的和,形状为 (2,)。如果你交回那个 (3, 2) 的数组,形状就不再匹配,或者更糟,广播会把它掩盖起来,而数字错了 3 倍。

规则是:凡是广播增加了一个维度的地方,就把它求和消掉;凡是它拉伸了一个大小为 1 的维度的地方,就对它求和,但让它保持大小为 1。

回顾 向前时被复制,向后时就要求和。

本课中的词语和符号
自动微分
自动的梯度:你写前向传播,引擎做反向传播
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
.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

编写 unbroadcast(grad, shape):把 grad 求和还原成 shape。你的加法和乘法已经在调用它了。

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。