使用自定義模型類從頭開始訓練線性回歸，比較PyTorch 1.x和TensorFlow 2.x之間的自動差異和動態模型子類化方法，

這篇簡短的文章重點介紹如何在PyTorch 1.x和TensorFlow 2.x中分別使用帶有模塊/模型API的動態子類化模型，以及這些框架在訓練循環中如何使用AutoDiff獲得損失的梯度并從頭開始實現 一個非常幼稚的漸變后代實現。

生成噪聲的線性數據

為了專注于自動差異/自動漸變功能的核心，我們將使用最簡單的模型，即線性回歸模型，然后我們將首先使用numpy生成一些線性數據，以添加隨機級別的噪聲。

def generate_data(m=0.1, b=0.3, n=200): 
  x = np.random.uniform(-10, 10, n) 
  noise = np.random.normal(0, 0.15, n) 
  y = (m * x + b ) + noise  return x.astype(np.float32), y.astype(np.float32) 
x, y = generate_data()plt.figure(figsize = (12,5)) 
ax = plt.subplot(111) 
ax.scatter(x,y, c = "b", label="samples") 

模型

然后，我們將在TF和PyTorch中實現從零開始的線性回歸模型，而無需使用任何層或激活器，而只需定義兩個張量w和b，分別代表線性模型的權重和偏差，并簡單地實現線性函數即可：y = wx + b

正如您在下面看到的，我們的模型的TF和PyTorch類定義基本上完全相同，但在一些api名稱上只有很小的差異。

唯一值得注意的區別是，PyTorch明確地使用Parameter對象定義權重和要由圖形"捕獲"的偏置張量，而TF似乎在這里更"神奇"，而是自動捕獲用于圖形的參數。

確實在PyTorch參數中是Tensor子類，當與Module api一起使用時，它們具有非常特殊的屬性，可以自動將自身添加到Module參數列表中，并會出現在在parameters（）迭代器中。

無論如何，兩個框架都能夠從此類定義和執行方法（call或 forward ），參數和圖形定義中提取信息，以便向前執行圖形執行，并且正如我們將看到的那樣，通過自動可微分獲得梯度功能，以便能夠執行反向傳播。

TensorFlow動態模型

class LinearRegressionKeras(tf.keras.Model): 
  def __init__(self): 
    super().__init__()    self.w = tf.Variable(tf.random.uniform(shape=[1], -0.1, 0.1)) 
    self.b = tf.Variable(tf.random.uniform(shape=[1], -0.1, 0.1)) 
      def __call__(self,x):  
    return x * self.w + self.b 

PyTorch動態模型

class LinearRegressionPyTorch(torch.nn.Module):  
  def __init__(self):  
    super().__init__()     self.w = torch.nn.Parameter(torch.Tensor(1, 1).uniform_(-0.1, 0.1)) 
    self.b = torch.nn.Parameter(torch.Tensor(1).uniform_(-0.1, 0.1)) 
    def forward(self, x):   
    return x @ self.w + self.b 

訓練循環，反向傳播和優化器

現在我們已經實現了簡單的TensorFlow和PyTorch模型，我們可以定義TF和PyTorch api來實現均方誤差的損失函數，最后實例化我們的模型類并運行訓練循環。

同樣，本著眼于自動差異/自動漸變功能核心的目的，我們將使用TF和PyTorch特定的自動差異實現方式實現自定義訓練循環，以便為我們的簡單線性函數提供漸變并手動優化權重和偏差參數以及臨時和樸素的漸變后代優化器。

在TensorFlow訓練循環中，我們將特別明確地使用GradientTape API來記錄模型的正向執行和損失計算，然后從該GradientTape中獲得用于優化權重和偏差參數的梯度。

相反，在這種情況下，PyTorch提供了一種更"神奇"的自動漸變方法，隱式捕獲了對參數張量的任何操作，并為我們提供了相同的梯度以用于優化權重和偏置參數，而無需使用任何特定的api。

一旦我們有了權重和偏差梯度，就可以在PyTorch和TensorFlow上實現我們的自定義梯度派生方法，就像將權重和偏差參數減去這些梯度乘以恒定的學習率一樣簡單。

此處的最后一個微小區別是，當PyTorch在向后傳播中更新權重和偏差參數時，以更隱蔽和"魔術"的方式實現自動差異/自動graf時，我們需要確保不要繼續讓PyTorch從最后一次更新操作中提取grad，這次明確調用no_grad api，最后將權重和bias參數的梯度歸零。

TensorFlow訓練循環

def squared_error(y_pred, y_true): 
  return tf.reduce_mean(tf.square(y_pred - y_true)) 
tf_model = LinearRegressionKeras()[w, b] = tf_model.trainable_variablesfor epoch in range(epochs): 
  with tf.GradientTape() as tape: 
    predictions = tf_model(x)    loss = squared_error(predictions, y)          w_grad, b_grad = tape.gradient(loss, tf_model.trainable_variables)  w.assign(w - w_grad * learning_rate)  b.assign(b - b_grad * learning_rate)  if epoch % 20 == 0: 
    print(f"Epoch {epoch} : Loss {loss.numpy()}") 

PyTorch訓練循環

def squared_error(y_pred, y_true): 
  return torch.mean(torch.square(y_pred - y_true)) 
torch_model = LinearRegressionPyTorch()[w, b] = torch_model.parameters()for epoch in range(epochs): 
  y_pred = torch_model(inputs)  loss = squared_error(y_pred, labels)  loss.backward()    with torch.no_grad(): 
    w -= w.grad * learning_rate    b -= b.grad * learning_rate    w.grad.zero_()    b.grad.zero_()      if epoch % 20 == 0: 
    print(f"Epoch {epoch} : Loss {loss.data}") 

結論

正如我們所看到的，TensorFlow和PyTorch自動區分和動態子分類API非常相似，當然，兩種模型的訓練也給我們非常相似的結果。

在下面的代碼片段中，我們將分別使用Tensorflow和PyTorch trainable_variables和parameters方法來訪問模型參數并繪制學習到的線性函數的圖。

繪制結果

[w_tf, b_tf] = tf_model.trainable_variables 
[w_torch, b_torch] = torch_model.parameters()with torch.no_grad():  plt.figure(figsize = (12,5)) 
  ax = plt.subplot(111) 
  ax.scatter(x, y, c = "b", label="samples") 
  ax.plot(x, w_tf * x + b_tf, "r", 5.0, "tensorflow") 
  ax.plot(x, w_torch * inputs + b_torch, "c", 5.0, "pytorch") 
  ax.legend()  plt.xlabel("x1") 
  plt.ylabel("y",rotation = 0)