前向操作符重载自动微分实现
在这篇文章里，ZOMI会介绍是怎么实现自动微分的，因为代码量非常小，也许你也可以写一个玩玩。前面的文章当中，已经把自动微分的原理深入浅出的讲了一下，也引用了非常多的论文。有兴趣的可以顺着综述A survey这篇深扒一下。
前向自动微分原理
了解自动微分的不同实现方式非常有用。在这里呢，我们将介绍主要的前向自动微分，通过Python这个高级语言来实现操作符重载。在正反向模式中的这篇的文章中，我们介绍了前向自动微分的基本数学原理。
前向模式（Forward Automatic Differentiation，也叫做 tangent mode AD）或者前向累积梯度（前向模式）
前向自动微分中，从计算图的起点开始，沿着计算图边的方向依次向前计算，最终到达计算图的终点。它根据自变量的值计算出计算图中每个节点的值 以及其导数值，并保留中间结果。一直得到整个函数的值和其导数值。整个过程对应于一元复合函数求导时从最内层逐步向外层求导。
简单确实简单，可以总结前向自动微分关键步骤为：
- 分解程序为一系列已知微分规则的基础表达式的组合
- 根据已知微分规则给出各基础表达式的微分结果
- 根据基础表达式间的数据依赖关系，使用链式法则将微分结果组合完成程序的微分结果
而通过Python高级语言，进行操作符重载后的关键步骤其实也相类似：
- 分解程序为一系列已知微分规则的基础表达式组合，并使用高级语言的重载操作
- 在重载运算操作的过程中，根据已知微分规则给出各基础表达式的微分结果
- 根据基础表达式间的数据依赖关系，使用链式法则将微分结果组合完成程序的微分结果
具体实现
首先呢，我们需要加载通用的numpy库，用于实际运算的，如果不用numpy，在python中也可以使用math来代替。
import numpy as np 前向自动微分又叫做tangent mode AD，所以我们准备一个叫做ADTangent的类，这类初始化的时候有两个参数，一个是 x，表示输入具体的数值；另外一个是 dx，表示经过对自变量 x 求导后的值。
需要注意的是，操作符重载自动微分不像源码转换可以给出求导的公式，一般而言并不会给出求导公式，而是直接给出最后的求导值，所以就会有 dx 的出现。
class ADTangent: # 自变量 x，对自变量进行求导得到的 dx def __init__(self, x, dx): self.x = x self.dx = dx # 重载 str 是为了方便打印的时候，看到输入的值和求导后的值 def __str__(self): context = f'value:{self.x:.4f}, grad:{self.dx}' return context 下面是核心代码，也就是操作符重载的内容，在 ADTangent 类中通过 Python 私有函数重载加号，首先检查输入的变量 other 是否属于 ADTangent，如果是那么则把两者的自变量 x 进行相加。
其中值得注意的就是 dx 的计算，因为是正向自动微分，因此每一个前向的计算都会有对应的反向求导计算。求导的过程是这个程序的核心，不过不用担心的是这都是最基础的求导法则。最后返回自身的对象 ADTangent(x, dx)。
def __add__(self, other): if isinstance(other, ADTangent): x = self.x + other.x dx = self.dx + other.dx elif isinstance(other, float): x = self.x + other dx = self.dx else: return NotImplementedError return ADTangent(x, dx) 下面则是对减号、乘法、log、sin几个操作进行操作符重载，正向的重载的过程比较简单，基本都是按照上面的 add 的代码讨论来实现。
def __sub__(self, other): if isinstance(other, ADTangent): x = self.x - other.x dx = self.dx - other.dx elif isinstance(other, float): x = self.x - other ex = self.dx else: return NotImplementedError return ADTangent(x, dx) def __mul__(self, other): if isinstance(other, ADTangent): x = self.x * other.x dx = self.x * other.dx + self.dx * other.x elif isinstance(other, float): x = self.x * other dx = self.dx * other else: return NotImplementedError return ADTangent(x, dx) def log(self): x = np.log(self.x) dx = 1 / self.x * self.dx return ADTangent(x, dx) def sin(self): x = np.sin(self.x) dx = self.dx * np.cos(self.x) return ADTangent(x, dx) 以公式5为例：
因为是基于 ADTangent 类进行了操作符重载，因此在初始化自变量 x 和 y 的值需要使用 ADTangent 来初始化，然后通过代码 f = ADTangent.log(x) + x * y - ADTangent.sin(y) 来实现。
由于这里是求 f 关于自变量 x 的导数，因此初始化数据的时候呢，自变量 x 的 dx 设置为1，而自变量 y 的 dx 设置为0。
x = ADTangent(x=2., dx=1) y = ADTangent(x=5., dx=0) f = ADTangent.log(x) + x * y - ADTangent.sin(y) print(f) value:11.6521, grad:5.5 从输出结果来看，正向计算的输出结果是跟上面图相同，而反向的导数求导结果也与上图相同。下面一个是 Pytroch 的实现结果对比，最后是MindSpore的实现结果对比。
可以看到呢，上面的简单实现的自动微分结果和 Pytroch 、MindSpore是相同的。还是很有意思的。
Pytroch 对公式1的自动微分结果：
import torch from torch.autograd import Variable x = Variable(torch.Tensor([2.]), requires_grad=True) y = Variable(torch.Tensor([5.]), requires_grad=True) f = torch.log(x) + x * y - torch.sin(y) f.backward() print(f) print(x.grad) print(y.grad) 输出结果：
tensor([11.6521], grad_fn=<SubBackward0>) tensor([5.5000]) tensor([1.7163]) MindSpore 对公式1的自动微分结果：
import numpy as np import mindspore.nn as nn from mindspore import Parameter, Tensor class Fun(nn.Cell): def __init__(self): super(Fun, self).__init__() def construct(self, x, y): f = ops.log(x) + x * y - ops.sin(y) return f x = Tensor(np.array([2.], np.float32)) y = Tensor(np.array([5.], np.float32)) f = Fun()(x, y) grad_all = ops.GradOperation() grad = grad_all(Fun())(x, y) print(f) print(grad[0]) 输出结果：
[11.65207] 5.5
