谷歌今天推出了一个新的开源Python自动微分库：Tangent。
和现有的机器学习库不同，Tangent是一个源代码到源代码的系统，使用Python函数f，并用一个新的Python函数来计算f的梯度。这能帮用户更好地看清梯度计算，并更简单地对梯度进行用户级编辑和调试。
此外，Tangent还有更多调试和设计机器学习模型的功能：
- 轻松调试反向传递过程(backward pass)
- 快速的gradient surgery
- 正向模式自动微分
- 高校的Hessian向量积
- 代码优化
本文简要介绍了Tangent API，包括如何用它在Python中生成易于理解、调试和修改的梯度代码。
神经网络为机器学习带来了巨大的进步，而我们训练神经网络来完成各类任务的基本思想已经存在30年了，它就是反向模式自动微分(reverse-mode automatic differentiation)，也就是我们常说的反向传播(backpropagation)。反向传播的过程包含两次通过神经网络：首先是运行“正向传递”来计算每个节点的输出值，然后再运行“反向传递”计算一系列导数，来确定如何更新权重以提高模型准确性。
训练神经网络、研究新架构，就需要我们正确、高效、方便地计算这些导数。当模型训练不好时，或者尝试构建我们不了解的新东西时，也需要能调试这些导数。自动微分(简称autodiff)就能够计算里表示某些数学函数的计算机程序的导数，而且几乎所有机器学习库都能实现它。
现有的机器学习库通过跟踪程序的执行(在运行时，比如TensorFlow Eager、PyTorch、Autograd)，或者构建动态数据流图然后微分它(提前，比如TensorFlow)来实现自动微分。
Tangent采用了与它们都不同的方式，在Python源代码上提前执行自动微分，并生成Python源代码作为输出。
于是，你可以像读取程序其他部分一样，来读取自动导数代码。
对于那些不仅想用Python来写模型，还想在不牺牲速度和灵活性的情况下来读取、调试自动生成的导数代码的研究人员和学生来说，Tangent非常有用。
检查和调试Tangent模型不需要特殊的工具，Tangent可以在Python庞大又不断增长的子集上工作，为其他Python机器学习库提供它们所没有的自动微分特性。它性能高，且与TensorFlow、NumPy兼容。
怎样自动为Python代码生成导数呢?
像tf.exp或tf.log这样的数学函数具有导数，我们可以编写出来构建反向传递，子例程、条件、循环等语法片段也同样具有反向传递版本。Tangent能为任何Python语法、以及很多Numpy和TensorFlow函数调用生成导数代码。
Tangent有一个单一功能API：
下面的动图展示了当我们在Python函数上调用tangent.grad时会发生什么：
如果你想列出自己的导数，可以运行：
对于Python语法的导数和TensorFlow Eager函数，Tangent有一个巨大的recipe库。tangent.grad会抓取你传递给它的Python函数源代码，然后反向遍历它，从自己的库中查找匹配的反向传递recipe，并把它加到导数函数的末尾。
这项技术的名字——反向模式自动微分——就来源于这种逆向处理。
上面的函数df只适用于张量(非数组)输入。Tangent也支持：
- 用TensorFlow Eager函数来处理数组
- 子例程
- 控制流
谷歌在博客文章中强调，虽然Tangent从支持TensorFlow Eager开始，但它并不和某一个库绑定，他们也愿意接受添加PyTorch或者MXNet导数recipe的请求。
