【PyTorch】PyTorch中的梯度累加

PyTorch中在反向传播前为什么要手动将梯度清零？ - Pascal的回答 - 知乎
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()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()optimizer.zero_grad()

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

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()

BN的估算是在forward阶段就已经完成的，并不冲突，只是 accumulation_steps=8

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。

PyTorch中在反向传播前为什么要手动将梯度清零？ - Forever123的回答 - 知乎
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 ******而且大小的变化可以忽略。
执行到 ++++++

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。