- 1、本文档共2页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
pytorch中中反反向向传传播播的的loss.backward((retain_graph=True))报报错错
RNN和LSTM模型中的反向传播⽅法,在loss.backward()处的问题,
更新完pytorch版本后容易出现问题。
问题1.⽤loss.backward()报错
Tryingtobackwardthroughthegraphasecondtime(ordirectlyaccesssaedtensorsaftertheyhaealreadybeenfreed).Saed
intermediatealuesofthegrapharefreedwhenyoucall.backward()orautograd.grad().Specifyretain_graph=Trueifyouneedto
backwardthroughthegraphasecondtimeorifyouneedtoaccesssaedtensorsaftercallingbackward.
(torchen)star@lab407-1:~/POIRec/STPRec/Flashback_code-master$pythontrain.py
问题2.⽤loss.backward(retain_graph=True)
oneoftheariablesneededforgradientcomputationhasbeenmodifiedbyaninplaceoperation:[torch.FloatTensor[10,10]],whichis
output0ofAsStridedBackward0,isatersion2;expectedersion1instead.Hint:enableanomalydetectiontofindtheoperationthatfailed
tocomputeitsgradient,withtorch.autograd.set_detect_anomaly(True).
解决措施:
关于loss.backward()以及其参数retain_graph的⼀些坑
⾸先,loss.backward()这个函数很简单,就是计算与图中叶⼦结点有关的当前张量的梯度
⽤呢,当然可以直接如下⽤
optimizer.zero_grad()清空过往梯度;
loss.backward()反向传播,计算当前梯度;
optimizer.step()根据梯度更新⽹络参数
or这种情况
foriinrange(num):
loss+=Loss(input,target)
optimizer.zero_grad()清空过往梯度;
loss.backward()反向传播,计算当前梯度;
optimizer.step()根据梯度更新⽹络参数
但是,有些时候会出现这样的错误:RuntimeError:Tryingtobackwardthroughthegraphasecondtime,butthebuffershaealreadybeen
freed
这个错误的意思就是,Pytorch的机制是每次调⽤.backward()都会free掉所有buffers,模型中可能有多次backward(),⽽前⼀次backward()存
储在buffer中的梯度,会因为后⼀次调⽤backward()被free掉,因此,这⾥需要⽤到retain_graph=True这个参数
⽤这个参数,可以让前⼀次的backward()的梯度保存在buffer内,直到更新完成,但是要注意,如果你是这样写的:
optimizer.zero_grad()清空过往梯度;
loss1.backward(retain_graph=True)反向传播,计算当前梯度;
loss2.backward(retain_graph=True)反向传播,计算当前梯度;
optimizer.step()根据梯度更新⽹络参数
那么你可能会出现内存溢出的情况,并且,每⼀次迭代会⽐上⼀次更慢,越往后越慢(因为你的梯度都保存了,没有free)
解决的⽅法,当然是这样:
optimizer.zero_grad()清空过往梯度;
loss1.backward(retain_gra
文档评论(0)