0%

张量分析推导 AI 反向传播中的经典案例

Posted on Edited on In

张量分析推导 loss 对 X\mathbf{X} 的导数

利用张量分析书写矩阵乘法

在一个标准的神经网络线性层中，输出和输入的关系如下

T=XW+b(1)\tag{1} \mathbf{T} = \mathbf{X} \mathbf{W} + \mathbf{b}

其中

  • T\mathbf{T} 是一个 b×hb \times h 的矩阵，这里 bb 一般是 batch_size，hh 是隐藏层大小
  • X\mathbf{X} 是一个 b×mb \times m 的矩阵 ，这里 mm 一般是 emb_size * block_size
  • W\mathbf{W} 是一个 m×hm \times h 的矩阵
  • b\mathbf{b} 在 pytorch 中一般不是一个矩阵，是一个长度为 hh 的向量，
    通过使用了 pytorch 的扩展第一列扩展到所有列

我们可以使用张量分量的形式来表示

T=(xikw⋅jk+bj)gigj(2)\tag{2} \mathbf{T} = (x_{ik} w^{k}_{\cdot j} + b_j)\mathbf{g}^i\mathbf{g}^j

用张量推导导数

在深度学习中，上述说的 T\mathbf{T} 其实会是 lossloss 的一个函数，然后 T\mathbf{T} 又是 X\mathbf{X} 的函数，写出来是下述的样子

loss=l(T(X))loss = l(\mathbf{T}(\mathbf{X}))

上述 ll 可以看做是一个二阶张量 T\mathbf{T} 的标量函数，T\mathbf{T} 是二阶张量 X\mathbf{X} 的二阶张量函数，而张量函数的导数存在以下链式求导规则

∂l∂X=∂l∂T:∂T∂X\frac{\partial l}{\partial \mathbf{X}} = \frac{\partial l}{\partial \mathbf{T}} \vcentcolon \frac{\partial \mathbf{T}}{\partial \mathbf{X}}

将上式按照张量分量展开如下

∂l∂X=∂l∂tijgigj:∂tkl∂xmngkglgmgn=∂l∂tij∂tkl∂xmnδi⋅kδj⋅lgmgn=∂l∂tij∂tij∂xmngmgn(4)\tag{4} \begin{aligned} \frac{\partial l}{\partial \mathbf{X}} &= \frac{\partial l}{\partial t_{ij}}\mathbf{g}_i\mathbf{g}_j \vcentcolon \frac{\partial t_{kl}}{\partial x_{mn}}\mathbf{g}^k\mathbf{g}^l\mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{ij}} \frac{\partial t_{kl}}{\partial x_{mn}} \delta_i^{\cdot k} \delta_j^{\cdot l} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{ij}} \frac{\partial t_{ij}}{\partial x_{mn}} \mathbf{g}_m\mathbf{g}_n \\ \end{aligned}

于是我们得到了基于张量分量的链式法则。在公式 (4)(4) 中，其实 ∂l∂tij\frac{\partial l}{\partial t_{ij}} 是一个已知字段，在上一次 backward 中已经计算出来了，现在我们的目标是计算 lossloss 各相对于 W\mathbf{W}、X\mathbf{X} 和 b\mathbf{b} 的导数，将该链式法则带入 (2)(2) 式

∂l∂X=∂l∂tij∂(xikw⋅jk+bj)∂xmngmgn=∂l∂tijδi⋅mδk⋅nw⋅jkgmgn=∂l∂tmjw⋅jngmgn=∂l∂tmj(wj⋅n)⊤gmgn=∂l∂TW⊤(5)\tag{5} \begin{aligned} \frac{\partial l}{\partial \mathbf{X}} &= \frac{\partial l}{\partial t_{ij}} \frac{\partial (x_{ik} w^{k}_{\cdot j} + b_j)}{\partial x_{mn}} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{ij}} \delta_i^{\cdot m} \delta_k^{\cdot n} w^k_{\cdot j} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{mj}} w^n_{\cdot j} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{mj}} (w_j^{\cdot n})^\top \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial \mathbf{T}} \mathbf{W}^\top \end{aligned}

上式中 (wki)⊤(w_{ki})^\top 表示矩阵的转置。因此我们将上式改为矩阵形式就可以得到

∂l∂X=∂l∂TW⊤(6)\tag{6} \frac{\partial l}{\partial \mathbf{X}} = \frac{\partial l}{\partial \mathbf{T}}\mathbf{W}^\top

由此，我们用很简单规整的数学推导推出了 lossloss 相对于 X\mathbf{X} 的导数（或者称为梯度）

同样的思路，我们可以推导出 W\mathbf{W} 对应的导数

∂l∂W=∂l∂tij∂(xikw⋅jk+bj)∂wmngmgn=∂l∂tijxikδkmδj⋅ngmgn=∂l∂tinxi⋅mgmgn=(x⋅im)⊤∂l∂tingmgn=X⊤∂l∂T(7)\tag{7} \begin{aligned} \frac{\partial l}{\partial \mathbf{W}} &= \frac{\partial l}{\partial t_{ij}} \frac{\partial (x_{ik} w^{k}_{\cdot j} + b_j)}{\partial w_{mn}} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{ij}} x_{ik} \delta^{km} \delta_{j}^{\cdot n} \mathbf{g}_m\mathbf{g}_n \\ &= \frac{\partial l}{\partial t_{in}} x_i^{\cdot m} \mathbf{g}_m\mathbf{g}_n \\ &= (x^m_{\cdot i})^\top \frac{\partial l}{\partial t_{in}} \mathbf{g}_m\mathbf{g}_n \\ &= \mathbf{X}^\top \frac{\partial l}{\partial \mathbf{T}} \end{aligned}

和 b\mathbf{b} 对应的导数

∂l∂b=∂l∂tij∂(wikx⋅jk+bj)∂bmgm=∂l∂tijδj⋅mgm=∂l∂timgm=∑i∂l∂timgm(8)\tag{8} \begin{aligned} \frac{\partial l}{\partial \mathbf{b}} &= \frac{\partial l}{\partial t_{ij}} \frac{\partial (w_{ik} x^{k}_{\cdot j} + b_j)}{\partial b_{m}} \mathbf{g}_m \\ &= \frac{\partial l}{\partial t_{ij}} \delta_j^{\cdot m} \mathbf{g}_m \\ &= \frac{\partial l}{\partial t_{im}} \mathbf{g}_m \\ &= \sum_i \frac{\partial l}{\partial t_{im}} \mathbf{g}_m \\ \end{aligned}

这里比较特殊，最终得到的结果其实是 ∂l∂T\frac{\partial l}{\partial \mathbf{T}} 按照行求和得到了一个长度为 hh 的向量。

将上述的公式表示为 pytorch 代码即为

1
2
3
dX = dT @ W.T
dW = X.T @ dT
db = dT.sum(0)