Pytorch

Question

假设我有一个以典型方式训练的简单单隐藏层网络：

    for x,y in trainData:
        optimizer.zero_grad()
        out = self(x)
        loss = self.lossfn(out, y)
        loss.backward()
        optimizer.step()

这按预期工作，但如果我改为预分配和更新输出数组，我会收到错误消息：

    out = torch.empty_like(trainData.tensors[1])
    for i,(x,y) in enumerate(trainData):
        optimizer.zero_grad()
        out[i] = self(x)
        loss = self.lossfn(out[i], y)
        loss.backward()
        optimizer.step()

RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed. Specify retain_graph=True when calling backward the first time.

这里发生了什么，在第二个版本中 Pytorch 试图再次向后遍历图表？为什么这在第一个版本中不是问题？（请注意，即使我不这样做也会出现此错误zero_grad()）

Answer 1

该错误表明程序正在尝试通过一组操作进行第二次反向传播。第一次通过一组操作进行反向传播时，pytorch 会删除计算图以释放内存。因此，您第二次尝试反向传播失败，因为该图已被删除。

同样的详细解释。

简答

使用loss.backward(retain_graph=True)。这不会删除计算图。

详细解答

第一个版本中，在每次循环迭代中，每out = self(x)为运行，就会生成一个新的计算图。

Every loop's graph
out = self(x) -> loss = self.lossfn(out, y)

在第二个版本中，由于out是在循环外声明的，所以每一个循环中的计算图在外都有一个父节点。

           - out[i] = self(x) -> loss = self.lossfn(out[i], y) 
out[i] - | - out[i] = self(x) -> loss = self.lossfn(out[i], y) 
           - out[i] = self(x) -> loss = self.lossfn(out[i], y)

因此，这是发生的事情的时间表。

第一次迭代运行s
计算图被删除，包括父节点
第二次迭代尝试反向传播但失败，因为它没有找到父节点

Pytorch - 为什么预分配内存会导致 "trying to backward through the graph a second time"

Pytorch - why does preallocating memory cause "trying to backward through the graph a second time"

backpropagation

autodiff

tensor

autograd

简答

详细解答