PyLayerContext¶

class paddle.autograd. PyLayerContext [源代码] ¶

PyLayerContext 对象能够辅助 PyLayer 实现某些功能。

代码示例¶

          import paddle
from paddle.autograd import PyLayer

class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        # ctx is a object of PyLayerContext.
        y = paddle.tanh(x)
        ctx.save_for_backward(y)
        return y

    @staticmethod
    def backward(ctx, dy):
        # ctx is a object of PyLayerContext.
        y, = ctx.saved_tensor()
        grad = dy * (1 - paddle.square(y))
        return grad

         

方法¶

save_for_backward(*tensors)¶

用于暂存 backward 需要的 Tensor，在 backward 中调用 saved_tensor 获取这些 Tensor 。

注解

这个 API 只能被调用一次，且只能在 forward 中调用。

参数

tensors (list of Tensor) - 需要被暂存的 Tensor

返回

None

代码示例

           import paddle
from paddle.autograd import PyLayer

class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        # ctx is a context object that store some objects for backward.
        y = paddle.tanh(x)
        # Pass tensors to backward.
        ctx.save_for_backward(y)
        return y

    @staticmethod
    def backward(ctx, dy):
        # Get the tensors passed by forward.
        y, = ctx.saved_tensor()
        grad = dy * (1 - paddle.square(y))
        return grad

          

saved_tensor()¶

获取被 save_for_backward 暂存的 Tensor 。

返回

如果调用 save_for_backward 暂存了一些 Tensor，则返回这些 Tensor，否则，返回 None。

代码示例

           import paddle
from paddle.autograd import PyLayer

class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        # ctx is a context object that store some objects for backward.
        y = paddle.tanh(x)
        # Pass tensors to backward.
        ctx.save_for_backward(y)
        return y

    @staticmethod
    def backward(ctx, dy):
        # Get the tensors passed by forward.
        y, = ctx.saved_tensor()
        grad = dy * (1 - paddle.square(y))
        return grad

          

mark_not_inplace(self, *tensors)¶

标记一些输入是不需要 inplace 的。如果 forward 的输入输出是同一个 Tensor ，并且这个 Tensor 被标记为 not_inplace 的。Paddle 会替用户创建一个新的 Tensor 作为输出。这样可以防止输入的 Tensor 的 auto grad 信息被错误的篡改。

注解

这个函数最多只能在 forward 调用一次,并且所有的参数必须是 forward 输入的 Tensor 。

参数

tensors (list of Tensor) - 需要标记 not inplace 的 Tensor

返回

None

代码示例

           import paddle

class Exp(paddle.autograd.PyLayer):
    @staticmethod
    def forward(ctx, x):
        ctx.mark_not_inplace(x)
        return x

    @staticmethod
    def backward(ctx, grad_output):
        out = grad_output.exp()
        return out

x = paddle.randn((1, 1))
x.stop_gradient = False
attn_layers = []
for idx in range(0, 2):
    attn_layers.append(Exp())

for step in range(0, 2):
    a = x
    for j in range(0,2):
        a = attn_layers[j].apply(x)
    a.backward()

          

mark_non_differentiable(self, *tensors)¶

标记一些输出是不需要反向的。如果 forward 的输入输出是同一个 Tensor ，并且这个 Tensor 被标记为 not_inplace 的。Paddle 会替用户创建一个新的 Tensor 作为输出。将不需要反向的 Tensor 标记为 non-differentiable，可以提升反向的性能。但是你在 backward 函数的输入参数中，仍要为其留有反向梯度的位置。只是这个反向梯度是 1 个全为 0 的、shape 和 forward 的输出一样的 Tensor .

注解

这个函数最多只能在 forward 调用一次,并且所有的参数必须是 forward 输出的 Tensor 。

参数

tensors (list of Tensor) - 需要标记不需要反向的 Tensor

返回

None

代码示例

           import os
os.environ['FLAGS_enable_eager_mode'] = '1'
import paddle
from paddle.autograd import PyLayer
import numpy as np

class Tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        a = x + x
        b = x + x + x
        ctx.mark_non_differentiable(a)
        return a, b

    @staticmethod
    def backward(ctx, grad_a, grad_b):
        assert np.equal(grad_a.numpy(), paddle.zeros([1]).numpy())
        assert np.equal(grad_b.numpy(), paddle.ones([1], dtype="float64").numpy())
        return grad_b

x = paddle.ones([1], dtype="float64")
x.stop_gradient = False
a, b = Tanh.apply(x)
b.sum().backward()

          

set_materialize_grads(self, value)¶

设置是否要框架来初始化未初始化的反向梯度。默认是 True。如果设置为 True，框架会将未初始化的反向梯度数据初始化为 0，然后再调用 backward 函数。如果设置为 False，框架会将未初始化的反向梯度以 None 向 backward 函数传递。

注解

这个函数最多只能在 forward 中调用。

参数

value (bool) - 是否要框架来初始化未初始化的反向梯度

返回

None

代码示例

           import os
os.environ['FLAGS_enable_eager_mode'] = '1'
import paddle
from paddle.autograd import PyLayer
import numpy as np

class Tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        return x+x+x, x+x

    @staticmethod
    def backward(ctx, grad, grad2):
        assert np.equal(grad2.numpy(), paddle.zeros([1]).numpy())
        return grad

class Tanh2(PyLayer):
    @staticmethod
    def forward(ctx, x):
        ctx.set_materialize_grads(False)
        return x+x+x, x+x

    @staticmethod
    def backward(ctx, grad, grad2):
        assert grad2==None
        return grad

x = paddle.ones([1], dtype="float64")
x.stop_gradient = False
Tanh.apply(x)[0].backward()

x2 = paddle.ones([1], dtype="float64")
x2.stop_gradient = False
Tanh2.apply(x2)[0].backward()

          