PyTorch
复现一篇论文的训练代码时,发现原论文中的总loss由多个loss组成。如果只有一个loss,那么直接loss.backward()即可,但是这里不止一个。一开始看到不止一个loss时,不知道将backward()放在哪里。

  1. for j in range(len(output)):
  2. loss += criterion(output[j], target_var)

一般传统的梯度回传步骤是这样的:

  1. outputs = model(images)
  2. loss = criterion(outputs,target)
  3. optimizer.zero_grad()
  4. loss.backward()
  5. optimizer.step()
  • 首先模型会通过输入的图像与标签计算相应的损失函数;
  • 然后清除之前过往的梯度optimizer.zero_grad()
  • 进行梯度的回传,并计算当前的梯度loss.backward()反向传播,计算当前梯度;
  • 根据当前的梯度来更新网络参数。一般来说是进来一个batch的数据就会计算一次梯度,然后更新网络optimizer.step()

而现在需要在一个for循环中计算loss,于是就在想是否需要在for循环中进行backward()的计算呢?

  1. for j in range(len(output)):
  2. loss += criterion(output[j], target_var)
  3. loss.backward()

但是当计算完一个loss之后就使用backward方法,发现报错:Pytorch - 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.
原因是在Pytorch中,一张计算图只允许存在一次损失的回传计算,当每次进行梯度回传之后,中间的变量都会被释放掉。所以如果想在本次batch中再次计算图的梯度时,程序会发现中间的计算图已经没了,那么自然而然也就没有办法计算梯度。
网上看到有个解决办法是在backward中加入retain_grad=True,也就是backward(retain_graph=True)
这句话的意思是暂时不释放计算图,所以在后续的训练过程中计算图不会被释放掉,而是会一直累积,但是随着训练的进行,会出现OOM。因此,需要在最后一个loss计算时,把(retain_graph=True)去掉,也就是只使用backward(),也就是除了最终的loss要释放资源、计算梯度,前面若干个的loss都不进行此步骤。

  1. for j in range(len(output)):
  2. loss += criterion(output[j], target_var)
  3. loss.backward()

也许有同学会问,为什么不这么写呢?之前也是这样的,可是发现loss并没有降低,于是就开始从loss里找原因了,但是为什么不降低,也没有理解明白,希望有明白的同学可以交流下~
其实当遇到这种情况,最好的办法就是分开写,然后再汇总到一个总loss中计算backward计算。如:

  1. loss1= Loss(output[0], target)
  2. loss2= Loss(output[1], target)
  3. loss3= Loss(output[2], target)
  4. loss4= Loss(output[3], target)
  5. loss = loss1 + loss2 + loss3 + loss4
  6. loss.backward()

当这么写的时候,loss就正常下降了。看到loss下降得还算是正常时,就稍微放心了。

发生错误的其他可能原因

在查询资料的时候,发现即使只计算一个loss,也可能会出现错误。

  • 有可能计算的设备一个在cpu上,一个在gpu,所以将设备设置为同一个即可。
  • 也有可能在多次循环中,有一些输入是不需要计算梯度的,这个时候就可以将输入的require_grad设置为False。
  • 关于张量tensor中的require_grad属性:如果一个张量它的requires_grad=True,那么在反向传播计算梯度时调用backward()方法就会计算这个张量的梯度。但是需要注意的是:计算完梯度之后,这个梯度并不一定会一直保存在属性grad中,只有对于requires_grad=True的叶子结点才会一直保存梯度,即将梯度一直保存在该叶子张量的grad属性中。而对于非叶子节点,即中间节点的张量,我们在计算完梯度之后为了更高效地利用内存,一般会将中间计算的梯度释放掉。
  • 在使用LSTM、GRU这一些网络时,我想是因为它们不仅会从前往后计算梯度,也会从后往前计算梯度,所以可以看做是梯度在两个方向上进行传播,那么这个过程中就会有重叠的部分。因此可能就需要使用detach来进行截断。在源码中,detach的注释是:Returns a new Variable, detached from the current graph。是将某个结点变成不需要梯度的变量,将其从当前的计算图剥离出来。因此当反向传播经过这个结点时,梯度就不会从这个结点往前面传播。

    detach()detach_()

    Pytorch里面多任务Loss是加起来还是分别backward?中有两个函数detach()detach_(),它们两个名字、功能都很像,都是用于切断梯度的反向传播。那么什么时候会用到呢?
    当在训练网络的时候可能希望保持一部分的网络参数不变,而只对网络的一部分参数进行调整;或者只训练网络的部分分支网络,并且不想让其梯度对主网络的梯度造成影响。这时候我们就可以使用这两个函数来进行截断梯度的反向传播。
    二者的区别就是detach_()对本身进行更改,而detach()则是生成了一个新的tensor
    使用detach()会返回一个新的Variable。虽然它是从当前计算图中分离下来的,但是仍指向原变量的存放位置,也就是共享同一个内存区域。使用了detach后,它的requires_grad属性为False,也就是不需要再计算它的梯度。即使之后重新将它的requires_grad变为True,它也不会具有梯度grad。这样我们就会继续使用这个新的变量进行计算,后面当我们进行反向传播时,梯度会一直计算直到到达这个调用了detach()的结点,到达这个结点后就会停止,不会再继续向前进行传播。
    但是返回的变量和原始的结点是共用同一个内存区域,所以如果使用了detach后,又对其进行修改,那么进行调用backward()时,就可能会导致错误
    使用tensor.detach_()则会将一个tensor从创建它的图中分离,并把它设置成叶子结点。举个例子:
    假设一开始的变量关系为:x ->m -> y,那么这里的叶子结点就是x,当这个时候对m进行了m.detach_()操作,首先会取消m与前一个结点x的关联,并且grad_fn为None。此时,这里的关系就会变成x,m ->y,这个时候m就变成了叶子结点。然后再将m的requires_grad属性设置为False,当我们对y进行backward()时就不会求m的梯度。

    如何编写更能节省内存的backward

    说到梯度回传,在网上也看到有人的写法是这样的,目的是为了节省内存:

    1. for i, (images, target) in enumerate(train_loader):
    2. images = images.cuda(non_blocking=True)
    3. target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    4. outputs = model(images)
    5. loss = criterion(outputs, target)
    6. loss = loss / accumulation_steps
    7. loss.backward()
    8. if (i + 1) % accumulation_steps == 0:
    9. optimizer.step()
    10. optimizer.zero_grad()
  • 首先进行正向传播,将数据传入网络进行推理,得到结果

  • 将预测结果与label输入进损失函数中计算损失
  • 进行反向传播,计算梯度
  • 重复前面的步骤,先不清空梯度,而是先将梯度进行累加,当梯度累加达到固定次数之后就更新网络参数,然后将梯度置零

梯度累加就是每次获取1个batch的数据,计算1次梯度,但是先不进行清零,而是做梯度的累加,不断地进行累加,当累加到一定的次数之后,再更新网络参数,然后将梯度清零,进行下一个循环。
通过这种参数延迟更新的手段,可以实现与采用大batch size相近的效果。在平时的实验过程中,我一般会采用梯度累加技术,大多数情况下,采用梯度累加训练的模型效果,要比采用小batch size训练的模型效果要好很多。
一定条件下,batch size越大训练效果越好,梯度累加则实现了batch size的变相扩大,如果accumulation_steps为8,则batch size就变相扩大了8倍,使用时需要注意,学习率也要适当放大:因为使用的样本增多梯度更加稳定了。
有人会问,在上面的代码中为什么不直接对多个batch的loss先求和然后再取平均、再进行梯度回传和更新呢?
按我的理解这是为了减小内存的消耗。当采用多个batch的loss求和平再均后再回传的方式时,我们会进行accumulation_steps次batch的前向计算,而前向计算后都会生成一个计算图。也就是说,在这种方式下,会生成accumulation_steps个计算图再进行backward计算。
而采用上述代码的方式时,当每次的batch前向计算结束后,就会进行backward的计算,计算结束后也就释放了计算图。又因为这两者计算过程的梯度都是累加的,所以计算结果都是相同的,但是上述的方法在每一时刻中,最多只会生成一张计算图,所以也就减小了计算中的内存消耗。

结语

其实通过这次探讨,只能说是了解地稍微深一些了,但是其中的原理还是不太明白。比如autograd的跟踪、in-place operations的属性,什么时候requires_grad为True,什么时候又为False,什么时候梯度会进行覆盖等等,这一些还是一头雾水。特别是上面那种写法,搞不明白loss为什么就突然下降了,所以还是得多学多用才能记住,才能深刻理解。
很多文章提到:其实大部分的写法都十分高效了,所以除非处于非常沉重的内存压力下,否则一般不会用到太多骚操作。