附录 D、自动微分 - 反向自动微分 - 《Sklearn 与 TensorFlow 机器学习实用指南》

反向自动微分

反向自动微分是 TensorFlow 采取的方案。它首先前馈遍历计算图（即，从输入到输出），计算出每个节点的值。然后进行第二次遍历，这次是反向遍历（即，从输出到输入），计算出所有的偏导数。图 D-3 展示了第二次遍历的过程。在第一次遍历过程中，所有节点值已被计算，输入是。你可以在每个节点底部右方看到这些值（例如， $x \times x = 9$ ）。节点已被标号，从到。输出节点是。

这个计算关于每个连续节点的偏导数的思想逐渐地从上到下遍历图，直到到达变量节点。为实现这个，反向自动微分强烈依赖于链式法则，如公式 D-4 所示。

由于是输出节点，即，所以 $\frac{\partial f}{\partial n_7} = 1$ 。

接着到了图的节点：当变化时，会变化多少？答案是 $\frac{\partial f}{\partial n_5} = \frac{\partial f}{\partial n_7} \times \frac{\partial n_7}{\partial n_5}$ 。我们已经知道 $\frac{\partial f}{\partial n_7} = 1$ ，因此我们只需要知道 $\frac{\partial n_7}{\partial n_5}$ 就行。因为是的和，因此可得到 $\frac{\partial n_7}{\partial n_5} = 1$ ，因此 $\frac{\partial f}{\partial n_5}=1 \times 1 = 1$ 。

现在前进到：当变化时，会变化多少？答案是 $\frac{\partial f}{\partial n_4} = \frac{\partial f}{\partial n_5} \times \frac{\partial n_5}{\partial n_4}$ 。由于 $n_5 = n_4 \times n_2$ ，我们可得到 $\frac{\partial n_5}{\partial n_4} = n_2$ ，所以 $\frac{\partial f}{\partial n_4}= 1 \times n_2 = 4$ 。

这个遍历过程一直持续，此时我们达到图的底部。这时我们已经得到了所有偏导数在点处的值。在这个例子里，我们得到 $\frac{\partial f}{\partial x} = 24, \frac{\partial f}{\partial y} = 10$ 。听起来很美妙！

反向自动微分是非常强大且准确的技术，尤其是当有很多输入参数和极少输出时，因为它只要求一次前馈传递加上一次反向传递，就可计算所有输出关于所有输入的偏导数。最重要的是，它可以处理任意代码定义的函数。它也可以处理那些不完全可微的函数，只要你要求他计算的偏导数在该点处是可微的。

如果你在 TensorFlow 中实现了新算子，你想使它与现有的自动微分相兼容，那你需要提供函数，该函数用于构建一个子图，来计算关于新算子输入的偏导数。例如，假设你实现了一个计算其输入的平方的函数，平方算子，在这个例子中你需要提供相应的导函数 $f^{'}(x)= 2x$ 。注意这个导函数不计算一个数值结果，而是用于构建子图，该子图后续将计算偏导结果。这是非常有用的，因为这意味着你可以计算梯度的梯度（为了计算二阶导数，或者甚至更高阶的导数）。