PyTorch中在反向传播前为什么要手动将梯度清零？

作者：Pascal
链接：https://www.zhihu.com/question/303070254/answer/573037166
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

这种模式可以让梯度玩出更多花样，比如说梯度累加（gradient accumulation）。gradient_accumulation_steps通过累计梯度来解决本地显存不足问题。

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()

1. 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；
2. optimizer.zero_grad() 清空过往梯度；
3. loss.backward() 反向传播，计算当前梯度；
4. 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。

今天仍然还是在复现论文，编码。

上午：调bug，发现程序运行的贼慢，调了半天发现人家的代码跟实验室的GPU环境不太搭，看来得按图索骥，重新写。

下午，代码：照抄+理解了一部分代码，目前还没有动到要自己修改的代码部分。难顶。

光复现了，没有跟上论文阅读，知识面太窄。