PyTorch中在反向传播前为什么要手动将梯度清零？-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

编辑：忆臻
https://www.zhihu.com/question/303070254
本文仅作为学术分享，如果侵权，会删文处理

PyTorch中在反向传播前为什么要手动将梯度清零？

作者：Pascal
https://www.zhihu.com/question/303070254/answer/573037166

这种模式可以让梯度玩出更多花样，比如说梯度累加（gradient accumulation）

传统的训练函数，一个batch是这么训练的：

for i,(images,target) in enumerate(train_loader):    # 1. input output    images = images.cuda(non_blocking=True)    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)    outputs = model(images)    loss = criterion(outputs,target)
    # 2. backward    optimizer.zero_grad()   # reset gradient    loss.backward()    optimizer.step()

获取loss：输入图像和标签，通过infer计算得到预测值，计算损失函数；
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

简单的说就是进来一个batch的数据，计算一次梯度，更新一次网络

使用梯度累加是这么写的：

for i,(images,target) in enumerate(train_loader):    # 1. input output    images = images.cuda(non_blocking=True)    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)    outputs = model(images)    loss = criterion(outputs,target)
    # 2.1 loss regularization    loss = loss/accumulation_steps    # 2.2 back propagation    loss.backward()    # 3. update parameters of net    if((i+1)%accumulation_steps)==0:        # optimizer the net        optimizer.step()        # update parameters of net        optimizer.zero_grad()   # reset gradient

获取loss：输入图像和标签，通过infer计算得到预测值，计算损失函数；
loss.backward() 反向传播，计算当前梯度；
多次循环步骤1-2，不清空梯度，使梯度累加在已有梯度上；
梯度累加了一定次数后，先optimizer.step() 根据累计的梯度更新网络参数，然后optimizer.zero_grad() 清空过往梯度，为下一波梯度累加做准备；

总结来说：梯度累加就是，每次获取1个batch的数据，计算1次梯度，梯度不清空，不断累加，累加一定次数后，根据累加的梯度更新网络参数，然后清空梯度，进行下一次循环。

一定条件下，batchsize越大训练效果越好，梯度累加则实现了batchsize的变相扩大，如果accumulation_steps为8，则batchsize '变相' 扩大了8倍，是我们这种乞丐实验室解决显存受限的一个不错的trick，使用时需要注意，学习率也要适当放大。

更新1：关于BN是否有影响，之前有人是这么说的：

As far as I know, batch norm statistics get updated on each forward pass, so no problem if you don't do .backward() every time.

BN的估算是在forward阶段就已经完成的，并不冲突，只是accumulation_steps=8和真实的batchsize放大八倍相比，效果自然是差一些，毕竟八倍Batchsize的BN估算出来的均值和方差肯定更精准一些。

更新2：根据

李韶华

的分享，可以适当调低BN自己的momentum参数

bn自己有个momentum参数：x_new_running = (1 - momentum) * x_running + momentum * x_new_observed. momentum越接近0，老的running stats记得越久，所以可以得到更长序列的统计信息

我简单看了下PyTorch 1.0的源码：https://github.com/pytorch/pytorch/blob/162ad945902e8fc9420cbd0ed432252bd7de673a/torch/nn/modules/batchnorm.py#L24，BN类里面momentum这个属性默认为0.1，可以尝试调节下。

作者：Forever123
https://www.zhihu.com/question/303070254/answer/608153308

原因在于在PyTorch中，计算得到的梯度值会进行累加

而这样的好处可以从内存消耗的角度来看

1. Edition1

在PyTorch中，multi-task任务一个标准的train from scratch流程为


for idx, data in enumerate(train_loader):    xs, ys = data    pred1 = model1(xs)    pred2 = model2(xs)
    loss1 = loss_fn1(pred1, ys)    loss2 = loss_fn2(pred2, ys)
    ** ** **    loss = loss1 + loss2    optmizer.zero_grad()    loss.backward()    ++++++    optmizer.step()

从PyTorch的设计原理上来说，在每次进行前向计算得到pred时，会产生一个用于梯度回传的计算图，这张图储存了进行back propagation需要的中间结果，当调用了.backward()后，会从内存中将这张图进行释放

上述代码执行到******时，内存中是包含了两张计算图的，而随着求和得到loss，这两张图进行了合并，而且大小的变化可以忽略

执行到++++++时，得到对应的grad值并且释放内存。这样，训练时必须存储两张计算图，而如果loss的来源组成更加复杂，内存消耗会更大

2. Edition2

为了减小每次的内存消耗，借助梯度累加，又有，有如下变种


for idx, data in enumerate(train_loader):    xs, ys = data
    optmizer.zero_grad()    # 计算d(l1)/d(x)    pred1 = model1(xs)  # 生成graph1    loss = loss_fn1(pred1, ys)    loss.backward()  # 释放graph1    # 计算d(l2)/d(x)    pred2 = model2(xs)  # 生成graph2    loss2 = loss_fn2(pred2, ys)    loss.backward()  # 释放graph2    # 使用d(l1)/d(x)+d(l2)/d(x)进行优化    optmizer.step()

可以从代码中看出，利用梯度累加，可以在最多保存一张计算图的情况下进行multi-task任务的训练。

另外一个理由就是在内存大小不够的情况下叠加多个batch的grad作为一个大batch进行迭代，因为二者得到的梯度是等价的

综上可知，这种梯度累加的思路是对内存的极大友好，是由FAIR的设计理念出发的。

作者：blateyang
https://www.zhihu.com/question/303070254/answer/535552845

简单的理由是因为PyTorch默认会对梯度进行累加。

至于为什么PyTorch有这样的特点，在网上找到的解释是说由于PyTorch的动态图和autograd机制使得其非常灵活，这也意味着你可以得到对一个张量的梯度，然后再次用该梯度进行计算，然后又可重新计算对新操作的梯度，对于何时停止前向操作并没有一个确定的点。所以自动设置梯度为0比较棘手，因为你不知道什么时候一个计算会结束以及什么时候又会有一个新的开始。

默认累加的好处是当在多任务中对前面共享部分的tensor进行了多次计算操作后，调用不同任务loss的backward，那些tensor的梯度会自动累加，缺点是当你不想先前的梯度影响到当前梯度的计算时需要手动清零。

好消息！
小白学视觉知识星球
开始面向外开放啦👇👇👇



下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~