pytorch_detach 切断网络反传方式_Python

detach

官方文档中，对这个方法是这么介绍的。

				?

									detach = _add_docstr(_C._TensorBase.detach, r"""

									Returns a new Tensor, detached from the current graph.

									The result will never require gradient.

									.. note::

									  Returned Tensor uses the same data tensor as the original one.

									  In-place modifications on either of them will be seen, and may trigger

									  errors in correctness checks.

									""")

返回一个新的从当前图中分离的 Variable。

返回的 Variable 永远不会需要梯度

如果被 detach 的Variable volatile=True，那么 detach 出来的 volatile 也为 True

还有一个注意事项，即：返回的 Variable 和被 detach 的Variable 指向同一个 tensor

				?

									import torch

									from torch.nn import init

									t1 = torch.tensor([1., 2.],requires_grad=True)

									t2 = torch.tensor([2., 3.],requires_grad=True)

									v3 = t1 + t2

									v3_detached = v3.detach()

									v3_detached.data.add_(t1) # 修改了 v3_detached Variable中 tensor 的值

									print(v3, v3_detached)    # v3 中tensor 的值也会改变

									print(v3.requires_grad,v3_detached.requires_grad)

									'''

									tensor([4., 7.], grad_fn=<AddBackward0>) tensor([4., 7.])

									True False

									'''

在pytorch中通过拷贝需要切断位置前的tensor实现这个功能。tensor中拷贝的函数有两个，一个是clone()，另外一个是copy_(),clone()相当于完全复制了之前的tensor，他的梯度也会复制，而且在反向传播时，克隆的样本和结果是等价的，可以简单的理解为clone只是给了同一个tensor不同的代号，和‘='等价。所以如果想要生成一个新的分开的tensor，请使用copy_()。

不过对于这样的操作，pytorch中有专门的函数——detach()。

用户自己创建的节点是leaf_node(如图中的abc三个节点),不依赖于其他变量,对于leaf_node不能进行in_place操作.根节点是计算图的最终目标(如图y),通过链式法则可以计算出所有节点相对于根节点的梯度值.这一过程通过调用root.backward()就可以实现.

因此,detach所做的就是,重新声明一个变量,指向原变量的存放位置,但是requires_grad为false.更深入一点的理解是,计算图从detach过的变量这里就断了, 它变成了一个leaf_node.即使之后重新将它的requires_node置为true,它也不会具有梯度.

pytorch 梯度

(0.4之后),tensor和variable合并，tensor具有grad、grad_fn等属性；

默认创建的tensor，grad默认为False, 如果当前tensor_grad为None，则不会向前传播，如果有其它支路具有grad，则只传播其它支路的grad

				?

									# 默认创建requires_grad = False的Tensor

									x = torch.ones(1)   # create a tensor with requires_grad=False (default)

									print(x.requires_grad)

									 # out: False

									 # 创建另一个Tensor，同样requires_grad = False

									y = torch.ones(1)  # another tensor with requires_grad=False

									 # both inputs have requires_grad=False. so does the output

									z = x + y

									 # 因为两个Tensor x,y，requires_grad=False.都无法实现自动微分，

									 # 所以操作（operation）z=x+y后的z也是无法自动微分，requires_grad=False

									print(z.requires_grad)

									 # out: False

									 # then autograd won't track this computation. let's verify!

									 # 因而无法autograd，程序报错

									# z.backward()

									 # out：程序报错：RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

									# now create a tensor with requires_grad=True

									w = torch.ones(1, requires_grad=True)

									print(w.requires_grad)

									 # out: True

									 # add to the previous result that has require_grad=False

									 # 因为total的操作中输入Tensor w的requires_grad=True，因而操作可以进行反向传播和自动求导。

									total = w + z

									# the total sum now requires grad!

									total.requires_grad

									# out: True

									# autograd can compute the gradients as well

									total.backward()

									print(w.grad)

									#out: tensor([ 1.])

									# and no computation is wasted to compute gradients for x, y and z, which don't require grad

									# 由于z，x，y的requires_grad=False,所以并没有计算三者的梯度

									z.grad == x.grad == y.grad == None

									# True

nn.Paramter

				?

									import torch.nn.functional as F

									# With square kernels and equal stride

									filters = torch.randn(8,4,3,3)

									weiths = torch.nn.Parameter(torch.randn(8,4,3,3))

									inputs = torch.randn(1,4,5,5)

									out = F.conv2d(inputs, weiths, stride=2,padding=1)

									print(out.shape)

									con2d = torch.nn.Conv2d(4,8,3,stride=2,padding=1)

									out_2 = con2d(inputs)

									print(out_2.shape)

补充：Pytorch-detach()用法

目的：

神经网络的训练有时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整。

或者训练部分分支网络，并不让其梯度对主网络的梯度造成影响.这时候我们就需要使用detach()函数来切断一些分支的反向传播.

1 tensor.detach()

返回一个新的tensor，从当前计算图中分离下来。但是仍指向原变量的存放位置，不同之处只是requirse_grad为false.得到的这个tensir永远不需要计算器梯度，不具有grad.

即使之后重新将它的requires_grad置为true,它也不会具有梯度grad.这样我们就会继续使用这个新的tensor进行计算，后面当我们进行反向传播时，到该调用detach()的tensor就会停止，不能再继续向前进行传播.

注意：

使用detach返回的tensor和原始的tensor共同一个内存，即一个修改另一个也会跟着改变。

比如正常的例子是：

				?

									import torch 

									a = torch.tensor([1, 2, 3.], requires_grad=True)

									print(a)

									print(a.grad)

									out = a.sigmoid()

									out.sum().backward()

									print(a.grad)

输出

tensor([1., 2., 3.], requires_grad=True)

None

tensor([0.1966, 0.1050, 0.0452])

1.1 当使用detach()分离tensor但是没有更改这个tensor时，并不会影响backward():

				?

									import torch 

									a = torch.tensor([1, 2, 3.], requires_grad=True)

									print(a.grad)

									out = a.sigmoid()

									print(out)

									#添加detach(),c的requires_grad为False

									c = out.detach()

									print(c)

									#这时候没有对c进行更改，所以并不会影响backward()

									out.sum().backward()

									print(a.grad)

									'''返回：

									None

									tensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward>)

									tensor([0.7311, 0.8808, 0.9526])

									tensor([0.1966, 0.1050, 0.0452])

									'''