【PyTorch】PyTorch中的梯度累加

PyTorch中的梯度累加

使用PyTorch實現梯度累加變相擴大batch

PyTorch中在反向傳播前爲何要手動將梯度清零？ - Pascal的回答 - 知乎
https://www.zhihu.com/question/303070254/answer/573037166

這種模式可讓梯度玩出更多花樣，好比說梯度累加（gradient accumulation）

傳統的訓練函數，一個batch是這麼訓練的：

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()

1. 獲取loss：輸入圖像和標籤，經過infer計算獲得預測值，計算損失函數；
2. optimizer.zero_grad()清空過往梯度；
3. loss.backward()反向傳播，計算當前梯度；
4. optimizer.step()根據梯度更新網絡參數

簡單的說就是進來一個batch的數據，計算一次梯度，更新一次網絡

使用梯度累加是這麼寫的：

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

1. 獲取loss：輸入圖像和標籤，經過infer計算獲得預測值，計算損失函數；
2. loss.backward() 反向傳播，計算當前梯度；
3. 屢次循環步驟1-2，不清空梯度，使梯度累加在已有梯度上；
4. 梯度累加了必定次數後，先 optimizer.step() 根據累計的梯度更新網絡參數，而後 optimizer.zero_grad() 清空過往梯度，爲下一波梯度累加作準備；

總結來講：梯度累加就是，每次獲取1個batch的數據，計算1次梯度，梯度不清空，不斷累加，累加必定次數後，根據累加的梯度更新網絡參數，而後清空梯度，進行下一次循環。

必定條件下，batchsize越大訓練效果越好，梯度累加則實現了batchsize的變相擴大，若是 accumulation_steps 爲8，則batchsize '變相' 擴大了8倍，是咱們這種乞丐實驗室解決顯存受限的一個不錯的trick，使用時須要注意，學習率也要適當放大。

更新1：關於BN是否有影響，以前有人是這麼說的：

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階段就已經完成的，並不衝突，只是 accumulation_steps=8 和真實的batchsize放大八倍相比，效果天然是差一些，畢竟八倍Batchsize的BN估算出來的均值和方差確定更精準一些。

更新2：根據李韶華的分享，能夠適當調低BN本身的momentum參數：

bn本身有個momentum參數：x_new_running = (1 - momentum) * x_running + momentum * x_new_observed. momentum越接近0，老的running stats記得越久，因此能夠獲得更長序列的統計信息

我簡單看了下PyTorch 1.0的源碼：https://github.com/pytorch/pytorch/blob/162ad945902e8fc9420cbd0ed432252bd7de673a/torch/nn/modules/batchnorm.py#L24，BN類裏面momentum這個屬性默認爲0.1，能夠嘗試調節下。

藉助梯度累加，避免同時計算多個損失時存儲多個計算圖

PyTorch中在反向傳播前爲何要手動將梯度清零？ - Forever123的回答 - 知乎
https://www.zhihu.com/question/303070254/answer/608153308

緣由在於在PyTorch中，計算獲得的梯度值會進行累加。

而這樣的好處能夠從內存消耗的角度來看。

1. Edition1

在PyTorch中，multi-task任務一個標準的train from scratch流程爲：

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()

從PyTorch的設計原理上來講，在每次進行前向計算獲得pred時，會產生一個用於梯度回傳的計算圖，這張圖儲存了進行back propagation須要的中間結果，當調用了 **.backward()** 後，會從內存中將這張圖進行釋放。

• 上述代碼執行到 ****** 時，內存中是包含了兩張計算圖的，而隨着求和獲得loss，這兩張圖進行了合併，並且大小的變化能夠忽略。
• 執行到 ++++++ 時，獲得對應的grad值而且釋放內存。這樣，訓練時必須存儲兩張計算圖，而若是loss的來源組成更加複雜，內存消耗會更大。

2. Edition2

爲了減少每次的內存消耗，藉助梯度累加，又有 ，有以下變種。

for idx, data in enumerate(train_loader):
    xs, ys = data

    optmizer.zero_grad()

    # 計算d(l1)/d(x)
    pred1 = model1(xs) #生成graph1
    loss = loss_fn1(pred1, ys)
    loss.backward()  #釋放graph1

    # 計算d(l2)/d(x)
    pred2 = model2(xs)#生成graph2
    loss2 = loss_fn2(pred2, ys)
    loss.backward()  #釋放graph2

    # 使用d(l1)/d(x)+d(l2)/d(x)進行優化
    optmizer.step()

能夠從代碼中看出，利用梯度累加，能夠在最多保存一張計算圖的狀況下進行multi-task任務的訓練。

3. Other

另一個理由就是在內存大小不夠的狀況下疊加多個batch的grad做爲一個大batch進行迭代，由於兩者獲得的梯度是等價的。

綜上可知，這種梯度累加的思路是對內存的極大友好，是由FAIR的設計理念出發的。

相關連接

• PyTorch中在反向傳播前爲何要手動將梯度清零？ - 知乎：https://www.zhihu.com/question/303070254
• https://discuss.pytorch.org/t/why-do-we-need-to-set-the-gradients-manually-to-zero-in-pytorch/4903/9