1 自動(dòng)微分

我們?cè)凇稊?shù)值分析》課程中已經(jīng)學(xué)過許多經(jīng)典的數(shù)值微分方法。許多經(jīng)典的數(shù)值微分算法非?？?，因?yàn)樗鼈冎恍枰?jì)算差商。然而，他們的主要缺點(diǎn)在于他們是數(shù)值的，這意味著有限的算術(shù)精度和不精確的函數(shù)求值，而這些都從根本上限制了求解結(jié)果的質(zhì)量。因此。充滿噪聲的、復(fù)雜多變的函數(shù)很難得到精準(zhǔn)的數(shù)值微分。

自動(dòng)微分技術(shù)（稱為“automatic differentiation, autodiff”）是介于符號(hào)微分和數(shù)值微分的一種技術(shù)，它是在計(jì)算效率和計(jì)算精度之間的一種折衷。自動(dòng)微分不受任何離散化算法誤差的約束，它充分利用了微分的鏈?zhǔn)椒▌t和其他關(guān)于導(dǎo)數(shù)的性質(zhì)來準(zhǔn)確地計(jì)算它們。

2 前向自動(dòng)微分

我們先來計(jì)算簡(jiǎn)單的前向自動(dòng)微分。假設(shè)我們有兩個(gè)變量u和v，使用浮點(diǎn)數(shù)存儲(chǔ)。我們將變量u′=du/dt和v′=dv/dt和這些變量一起存儲(chǔ)，這里tt是獨(dú)立的變量。在一些程序設(shè)計(jì)語言(如Python)中，我們可以選擇定義一種新的數(shù)據(jù)類型來存儲(chǔ)[u,u′]和[v,v′]這類數(shù)對(duì)。我們可以在這些數(shù)對(duì)上定義一種代數(shù)運(yùn)算，這些代數(shù)運(yùn)算編碼了一些經(jīng)典的操作：

在進(jìn)行前向自動(dòng)微分之前，我們需要先將計(jì)算f(t)所產(chǎn)生的操作序列表示為計(jì)算圖。接著，采用自底向上的遞推算法的思想，從做為遞推起點(diǎn)的數(shù)對(duì)t≡[t0,1](因?yàn)閐t/dt=1)開始，我們能夠按照我們上述編碼規(guī)則同時(shí)對(duì)函數(shù)f(t)和它的導(dǎo)數(shù)f′(t)進(jìn)行求值。我們?cè)诰幊陶Z言中可以選擇令數(shù)對(duì)重載運(yùn)算符，這樣額外的求導(dǎo)數(shù)運(yùn)算就可以對(duì)用戶透明地執(zhí)行了。

例1 比如，對(duì)于函數(shù)f(x)=exp?(x²−x)/x，想要依次計(jì)算dy_i/dx（這里y_i為所有計(jì)算中間項(xiàng)）。則我們先從x開始將表達(dá)式分解為計(jì)算圖：

然后前向遞推地按照我們之前所述的編碼規(guī)則來進(jìn)行求導(dǎo)

注意鏈?zhǔn)椒▌t（chain rule）告訴我們：

(f(g(x)))′=f′(g(x))⋅g′(x)

所以我們對(duì)

y_k=g(y_i)

有

y′_k=g′(y_i)⋅y_i′

事實(shí)上，我們也能夠處理有多個(gè)輸入的函數(shù)g：

k=g(y_i,?,y_j)

多元微分鏈?zhǔn)椒▌t如下：

比如，對(duì)于

我們有

下面展示了一個(gè)對(duì)二元函數(shù)模擬前向自動(dòng)微分的過程。

例2 設(shè)(x₁,x₂)=x₁⋅exp?(x₂)−x₁，模擬前向微分過程。

接下來我們看如何用Python代碼來實(shí)現(xiàn)單變量函數(shù)的前向自動(dòng)微分過程。為了簡(jiǎn)便起見，我們下面只編碼了幾個(gè)常用的求導(dǎo)規(guī)則。

import math

class Var:
    def __init__(self, val, deriv=1.0):
        self.val = val
        self.deriv = deriv
    
    def __add__(self, other):
        if isinstance(other, Var):
            val = self.val + other.val
            deriv = self.deriv + other.deriv
        else:
            val = self.val + other
            deriv = self.deriv
        return Var(val, deriv)
    
    def __radd__(self, other):
        return self + other

    def __sub__(self, other):
        if isinstance(other, Var):
            val = self.val - other.val
            deriv = self.deriv - other.deriv
        else:
            val = self.val - other
            deriv = self.deriv
        return Var(val, deriv)
    
    def __rsub__(self, other):
        val = other - self.val
        deriv = - self.deriv
        return Var(val, deriv)

    def __mul__(self, other):
        if isinstance(other, Var):
            val = self.val * other.val
            deriv = self.val * other.deriv + self.deriv * other.val
        else:
            val = self.val * other
            deriv = self.deriv * other
        return Var(val, deriv)
    
    def __rmul__(self, other):
        return self * other

    def __truediv__(self, other):
        if isinstance(other, Var):
            val = self.val / other.val
            deriv = (self.deriv * other.val - self.val * other.deriv)/other.val**2
        else:
            val = self.val / other
            deriv = self.deriv / other
        return Var(val, deriv)

    def __rtruediv__(self, other):
        val = other / self.val
        deriv = other * 1/self.val**2
        return Var(val, deriv)
    
    def __repr__(self):
        return "value: {}\t gradient: {}".format(self.val, self.deriv)
        

def exp(f: Var):
    return Var(math.exp(f.val), math.exp(f.val) * f.deriv)

例如，我們?nèi)魢L試計(jì)算函數(shù)f(x)=exp?(x²−x)/x在x=2.0處的導(dǎo)數(shù)f′(2.0)如下：

fx = lambda x: exp(x*x - x)/x
df = fx(Var(2.0))
print(df) 

打印輸出：

value: 3.694528049465325         deriv: 9.236320123663312

可見，前向過程完成計(jì)算得到f(2.0)≈3.69, f′(2.0)≈9.24。

3 反向自動(dòng)微分

我們前面介紹的前向自動(dòng)微分方法在計(jì)算y=f(t)的時(shí)候并行地計(jì)算f′(t)。接下來我們介紹一種“反向”自動(dòng)微分方法，相比上一種的方法它僅需要更少的函數(shù)求值，不過需要以更多的內(nèi)存消耗和更復(fù)雜的實(shí)現(xiàn)做為代價(jià)。

同樣，這個(gè)技術(shù)需要先將計(jì)算f(t)所產(chǎn)生的操作序列表示為計(jì)算圖。不過，與之前的從dt/dt=1開始，然后往dy/dt方向計(jì)算不同，反向自動(dòng)求導(dǎo)算法從dy/dy=1開始并且按與之前同樣的規(guī)則往反方向計(jì)算，一步步地將分母替換為dt。反向自動(dòng)微分可以避免不必要的計(jì)算，特別是當(dāng)y是一個(gè)多元函數(shù)的時(shí)候。例如，對(duì)f(t1,t2)=f1(t1)+f2(t2)，反向自動(dòng)微分并不需要計(jì)算f1關(guān)于t2的微分或f2關(guān)于t1的微分。

例3 設(shè)f(x₁,x₂)=x₁⋅exp(x₂)−x₁，模擬反向自動(dòng)微分過程。

可見若采用反向自動(dòng)微分，我們需要存儲(chǔ)計(jì)算過程中的所有東西，故內(nèi)存的使用量會(huì)和時(shí)間成正比。不過，在現(xiàn)有的深度學(xué)習(xí)框架中，對(duì)反向自動(dòng)微分的實(shí)現(xiàn)進(jìn)行了進(jìn)一步優(yōu)化，我們會(huì)在深度學(xué)習(xí)專題文章中再進(jìn)行詳述。

4 總結(jié)

自動(dòng)微分被廣泛認(rèn)為是一種未被充分重視的數(shù)值技術(shù)， 它可以以盡量小的執(zhí)行代價(jià)來產(chǎn)生函數(shù)的精確導(dǎo)數(shù)。它在軟件需要計(jì)算導(dǎo)數(shù)或Hessian來運(yùn)行優(yōu)化算法時(shí)顯得格外有價(jià)值，從而避免每次目標(biāo)函數(shù)改變時(shí)都去重新手動(dòng)計(jì)算導(dǎo)數(shù)。當(dāng)然，做為其便捷性的代價(jià)，自動(dòng)微分也會(huì)帶來計(jì)算的效率問題，因?yàn)樵趯?shí)際工作中自動(dòng)微分方法并不會(huì)去化簡(jiǎn)表達(dá)式，而是直接應(yīng)用最顯式的編碼規(guī)則。

到此這篇關(guān)于Python實(shí)現(xiàn)前向和反向自動(dòng)微分的示例代碼的文章就介紹到這了,更多相關(guān)Python自動(dòng)微分內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論