目录
Python 库及 MindSpore 相关模块和类的导入
函数与计算图
微分函数与梯度计算
Stop Gradient
Auxiliary data
神经网络梯度计算
Python 库及 MindSpore 相关模块和类的导入
Python 中的 numpy 库被成功导入，并简称为 np。numpy 在科学计算领域应用广泛，其为用户提供了高效便捷的数组操作方式以及丰富的数学函数。此外，mindspore 这一特定的深度学习框架或与之相关的库也被引入。从 mindspore 库中，nn 模块被导入，该模块涵盖了与神经网络相关的各类类和函数。同时，ops 模块也从 mindspore 库中被引入，其中包含了多种多样的操作符或者操作函数。不仅如此，Tensor（张量）和 Parameter（参数）这两个类也从 mindspore 库中被导入，它们主要用于构建以及处理模型当中的数据和参数。
代码如下：
import numpy as np
import mindspore
from mindspore import nn
from mindspore import ops
from mindspore import Tensor, Parameter函数与计算图
计算图乃是借助图论的语言来呈现数学函数的一种形式，同时也是深度学习框架用以表述神经网络模型的统一手段。接下来，我们会依据下面的计算图来构建计算函数以及神经网络。
代码如下：
x = ops.ones(5, mindspore.float32) # input tensor
y = ops.zeros(3, mindspore.float32) # expected output
w = Parameter(Tensor(np.random.randn(5, 3), mindspore.float32), name='w') # weight
b = Parameter(Tensor(np.random.randn(3,), mindspore.float32), name='b') # bias
def function(x, y, w, b):
z = ops.matmul(x, w) + b
loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
return loss
loss = function(x, y, w, b)
print(loss) 分析：在 MindSpore 框架中定义了一些张量和参数，并定义了一个计算函数，最后调用该函数并打印结果。
首先，定义了输入张量 x 为全 1 的 5 维张量，期望输出 y 为全 0 的 3 维张量，权重 w 为 5×3 的随机张量，偏置 b 为 3 维的随机张量。
然后，定义了一个名为 function 的函数，在函数内部：
首先通过矩阵乘法 ops.matmul(x, w) 计算 x 和 w 的乘积，再加上偏置 b 得到 z 。
接着使用 ops.binary_cross_entropy_with_logits 函数计算 z 和 y 之间的二元交叉熵损失，其中还使用了两个全 1 的张量作为其他参数。
最后，调用 function 函数并传入之前定义的 x、y、w、b ，将计算得到的损失值赋给 loss 并打印出来。
运行结果：
3.1194968
微分函数与梯度计算
为了实现对模型参数的优化，必须求得参数针对损失（loss）的导数。在此情形下，我们调用 mindspore.grad 函数，从而获取关于 function 的微分函数。
这里所运用的 grad 函数包含两个输入参数，其一为 fn ：即有待进行求导操作的函数；其二为 grad_position ：用于明确指定求导输入位置的索引。
代码如下：
grad_fn = mindspore.grad(function, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)
分析：定义了一个名为“grad_fn”的梯度计算函数，此函数旨在计算“function”针对输入值“(2, 3)”的梯度情况。运用此前所定义的梯度计算函数“grad_fn”，针对变量“x”、“y”、“w”以及“b”进行梯度的计算操作，并将所得结果存置于“grads”之中。最后通过“print(grads)”语句，将计算得出的梯度“grads”予以打印输出，从而能够方便查看梯度的具体数值情况。
运行结果：
(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02]]), Tensor(shape=[3], dtype=Float32, value= [ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02])) Stop Gradient
通常而言，在求导过程中，往往会求取损失（loss）对参数的导数，所以函数的输出一般仅有损失这一项。而当我们期望函数能够输出多项时，微分函数将会对所有的输出项针对参数进行求导。此时，倘若想要达成对某个输出项的梯度截断，或者消除某个张量（Tensor）对梯度的影响，就需要运用停止梯度（Stop Gradient）这一操作。
代码如下：
def function_with_logits(x, y, w, b):
z = ops.matmul(x, w) + b
loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
return loss, z
grad_fn = mindspore.grad(function_with_logits, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads)
def function_stop_gradient(x, y, w, b):
z = ops.matmul(x, w) + b
loss = ops.binary_cross_entropy_with_logits(z, y, ops.ones_like(z), ops.ones_like(z))
return loss, ops.stop_gradient(z)
grad_fn = mindspore.grad(function_stop_gradient, (2, 3))
grads = grad_fn(x, y, w, b)
print(grads) 分析：首先定义了一个名为 function_with_logits 的函数，它接受 x、y、w 和 b 作为参数，通过矩阵乘法和加法计算 z，并基于 z 和 y 计算二分类交叉熵损失 loss 。然后使用 mindspore.grad 计算这个函数关于第 2 和第 3 个参数（可能是 w 和 b ）的梯度，并将结果存储在 grad_fn 中。通过调用 grad_fn 并传入相应的参数，获取梯度并打印输出。
接下来又定义了一个名为 function_stop_gradient 的函数，与前面类似，但对 z 使用了 ops.stop_gradient 操作，这通常用于阻止对 z 的梯度计算。同样计算这个函数关于第 2 和第 3 个参数的梯度，并打印输出。
总的来说，这段代码是在探索不同函数设置下梯度计算的结果和差异。
运行结果：
(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00],
[ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00],
[ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00],
[ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00],
[ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00]]), Tensor(shape=[3], dtype=Float32, value= [ 1.33178377e+00, 1.32513225e+00, 1.08202422e+00]))
(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02],
[ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02]]), Tensor(shape=[3], dtype=Float32, value= [ 3.31783742e-01, 3.25132251e-01, 8.20241794e-02])) Auxiliary data
“Auxiliary data”，即辅助数据，指的是函数除首个输出项之外的其他输出内容。通常情况下，我们会把函数的损失（loss）设定为函数的第一个输出，而其余的输出则被定义为辅助数据。
在 grad 和 value_and_grad 中，提供了 has_aux 参数。当将其设置为 True 时，能够自动达成前面所提及的手动添加 stop_gradient 的功能，从而实现既能返回辅助数据，又不会对梯度的计算效果产生影响。
代码如下：
grad_fn = mindspore.grad(function_with_logits, (2, 3), has_aux=True)
grads, (z,) = grad_fn(x, y, w, b)
print(grads, z) 分析：首先定义了一个梯度计算函数 grad_fn ，它是通过 mindspore.grad 方法计算 function_with_logits 函数关于参数 (2, 3) 的梯度，并且设置了 has_aux=True 以处理辅助数据。
然后，通过 grad_fn 函数对输入的 x 、 y 、 w 、 b 进行梯度计算，得到梯度结果 grads 和辅助数据 z ，最后打印出 grads 和 z 。
运行结果：
(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01]]), Tensor(shape=[3], dtype=Float32, value= [ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01])) [-1.5198946 -1.0039824 0.88846767] 神经网络梯度计算
在深度学习领域，运用 MindSpore 框架来开展模型训练的操作，是一个常见且重要的工作。其中，涵盖了一系列关键步骤，包括精心设置模型的架构与参数、准确选定适宜的损失函数、清晰定义前向计算的流程以及精准计算梯度的逻辑。而最终将梯度结果成功打印输出，更是整个训练过程中不可或缺的一环。这一系列连贯且有序的操作，共同构成了深度学习模型训练中典型且通用的流程。
代码如下：
# Define model
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.w = w
self.b = b
def construct(self, x):
z = ops.matmul(x, self.w) + self.b
return z
# Instantiate model
model = Network()
# Instantiate loss function
loss_fn = nn.BCEWithLogitsLoss()
# Define forward function
def forward_fn(x, y):
z = model(x)
loss = loss_fn(z, y)
return loss
grad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params())
loss, grads = grad_fn(x, y)
print(grads) 分析：class Network(nn.Cell): 定义了一个名为 Network 的类，它继承自 nn.Cell，这通常是构建神经网络模型的基础类。
def __init__(self): 这是类的初始化方法，其中 self.w = w 和 self.b = b 可能是在初始化模型的参数。
def construct(self, x): 这是模型的前向传播计算方法，通过矩阵乘法和加法计算输出 z。
model = Network(): 实例化了 Network 类，创建了一个模型对象 model。
loss_fn = nn.BCEWithLogitsLoss(): 实例化了一个二分类交叉熵损失函数 loss_fn。
def forward_fn(x, y): 定义了一个前向函数 forward_fn，它首先通过模型计算输出 z，然后使用损失函数计算损失 loss 并返回。
grad_fn = mindspore.value_and_grad(forward_fn, None, weights=model.trainable_params()): 使用 mindspore 的 value_and_grad 函数获取前向计算的损失值和关于模型可训练参数的梯度。
loss, grads = grad_fn(x, y): 调用 grad_fn 函数，并将返回的损失值和梯度分别存储在 loss 和 grads 变量中。
print(grads): 打印出计算得到的梯度值。
运行结果：
(Tensor(shape=[5, 3], dtype=Float32, value=
[[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01],
[ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01]]), Tensor(shape=[3], dtype=Float32, value= [ 5.98256774e-02, 8.93863812e-02, 2.36191273e-01])) 
