Pytorch如何构建计算图

问题描述

这是网站上的示例pytorch代码：

class Net(nn.Module):

def __init__(self):
    super(Net,self).__init__()
    # 1 input image channel,6 output channels,3x3 square convolution
    # kernel
    self.conv1 = nn.Conv2d(1,6,3)
    self.conv2 = nn.Conv2d(6,16,3)
    # an affine operation: y = Wx + b
    self.fc1 = nn.Linear(16 * 6 * 6,120)  # 6*6 from image dimension
    self.fc2 = nn.Linear(120,84)
    self.fc3 = nn.Linear(84,10)

def forward(self,x):
    # Max pooling over a (2,2) window
    x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))
    # If the size is a square you can only specify a single number
    x = F.max_pool2d(F.relu(self.conv2(x)),2)
    x = x.view(-1,self.num_flat_features(x))
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)
    return x

在forward函数中，我们仅对x应用了一系列转换，但从未明确定义哪些对象属于该转换的一部分。然而，当计算梯度和更新权重时，Pytorch神奇地知道要更新哪些权重以及应该如何计算梯度。

此过程如何进行？是否正在进行代码分析，或者我还缺少其他内容？

解决方法

是的，在前向通过方面存在隐式分析。检查结果张量，有一个类似grad_fn= <CatBackward>的东西，它是一个链接，允许您展开整个计算图。而且它是在真实的正向计算过程中构建的，无论您如何定义网络模块（以“ nn”或“功能”方式面向对象）。

您可以利用此图进行网络分析，就像torchviz在这里：https://github.com/szagoruyko/pytorchviz/blob/master/torchviz/dot.py

computation-graph pytorch