如何使用就地操作破坏 PyTorch autograd

Question

我试图更好地理解就地操作在 PyTorch autograd 中的作用。我的理解是它们可能会导致问题，因为它们可能会覆盖在向后步骤中所需的值。

我正在尝试构建一个示例，在该示例中，就地操作会破坏自动微分，我的想法是在反向传播过程中覆盖一些在计算其他张量后所需的值。

我正在使用赋值作为就地操作（我试过 += 结果相同），我用这种方式仔细检查它是就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
y = x
y[3] = -1
print(x)

打印：

tensor([ 0.,  1.,  2., -1.,  4.], grad_fn=<CopySlices>)

这是我尝试打破 autograd 的尝试：

没有就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
out1 = x ** 2
out2 = out1 / 10
# out1[3] += 100  
out2.sum().backward()
print(x.grad)

这会打印

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

使用就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
out1 = x ** 2
out2 = out1 / 10
out1[3] = 0  
out2.sum().backward()
print(x.grad)

这会打印：

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

我期待获得不同的毕业生。

项目分配是做什么的？我不明白 grad_fn=<CopySlices>.
为什么它 return 相同的毕业生？
是否有破坏 autograd 的就地操作的工作示例？
是否有非向后兼容的 PyTorch 操作列表？

Answer 1

破坏 autograd 的就地操作的工作示例：

  x = torch.ones(5, requires_grad=True)
  x2 = (x + 1).sqrt()
  z = (x2 - 10)
  x2[0] = -1
  z.sum().backward()

加薪：

RuntimeError: one of the variables needed for gradient computation has been modified by an in-place operation: [torch.FloatTensor [5]], which is output 0 of SqrtBackward, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

如何使用就地操作破坏 PyTorch autograd

How to break PyTorch autograd with in-place ops

python

pytorch

autograd