PyTorch中在反向传播前为什么要手动将梯度清零？

Question

PyTorch中在反向传播前为什么要手动将梯度清零？

关注者

971

被浏览

396,345

11 个回答

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 \partial(l1+l2)/\partial(x)=\partial(l1)/\partial(x)+\partial(l2)/\partial(x) ，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
    loss1 = loss_fn1(pred1, ys)
    loss1.backward()  #释放graph1
    # 计算d(l2)/d(x)

知乎用户 SenseTime 研究员 · Accepted Answer

这种模式提供给用户更多的自由度，把梯度玩出花样，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, (image, label) in enumerate(train_loader):
    # 1. forward
    pred = model(image)
    loss = criterion(pred, label)
    # 2. backward
    loss.backward()
    # 3. update parameters of net
    optimizer.step() 
    # 4. reset gradient
    optimizer.zero_grad()

model.forward()：前向推理，计算损失函数；
loss.backward()：反向传播，计算当前梯度；
optimizer.step()：根据梯度更新网络参数;
optimizer.zero_grad()：清空梯度;

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, (image, label) in enumerate(train_loader):
    # 1. forward
    pred = model(image)
    loss = criterion(pred, label)
    # 2. backward
    loss = loss / accumulation_steps  
    loss.backward()
    # 3. update parameters of net
    if (i + 1) % accumulation_steps == 0:
        # 4.1 update parameters of net
        optimizer.step()    
        # 4.2 reset gradient
        optimizer.zero_grad()

optimizer.zero_grad()：清空过往梯度
model.forward()：前向推理，计算损失函数；
loss.backward()：反向传播，计算当前梯度；
optimizer.step()：多次循环步骤 2-3，梯度累加一定次数后，根据梯度更新网络参数，然后清空梯度

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，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，BN的估算是在forward阶段就已经完成的，并不冲突

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.

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