【已解决】RuntimeError: Trying to backward through the graph a second time (or directly access saved tens

问题描述

Traceback (most recent call last):
  File "/home/sysu/qfy/project/GCL/GCL/Main.py", line 281, in <module>
    main(args)
  File "/home/sysu/qfy/project/GCL/GCL/Main.py", line 200, in main
    loss, Matrix = train(encoder_model, args, data, optimizer, epoch)
  File "/home/sysu/qfy/project/GCL/GCL/Main.py", line 153, in train
    loss.backward()
  File "/home/sysu/qfy/anaconda3/envs/gclv1/lib/python3.8/site-packages/torch/_tensor.py", line 487, in backward
    torch.autograd.backward(
  File "/home/sysu/qfy/anaconda3/envs/gclv1/lib/python3.8/site-packages/torch/autograd/__init__.py", line 200, in backward
    Variable._execution_engine.run_backward(  # Calls into the C++ engine to run the backward pass
RuntimeError: Trying to backward through the graph a second time (or directly access saved tensors after they have already been freed). Saved intermediate values of the graph are freed when you call .backward() or autograd.grad(). Specify retain_graph=True if you need to backward through the graph a second time or if you need to access saved tensors after calling backward.

解决办法 

        这个原因很简单，就是在进行训练的时候，由于是在下一次循环的时候前一次的计算图已经被释放了，所以下次计算就会出现问题，那怎么办呢？就把计算图保留下来就可以了

 .backward()
改为
 .backward(retain_graph=True)

        这个时候就不会再出错了 

闲话

这个错误表明在你的代码中尝试对计算图进行第二次反向传播，或者在计算图中的某些保存的中间值已经被释放后，再次尝试访问它们。这通常是由于没有正确处理计算图的释放或者多次反向传播导致的。

以下是一些建议来解决这个问题：

1. 确保只调用一次 backward： 在你的代码中，确保只调用了一次 loss.backward()。如果你在训练循环中多次调用了 backward，这可能导致问题。

2. 检查是否需要 retain_graph： 如果你在训练循环中有多个优化步骤，确保你在每个步骤中都使用了新的输入，或者使用了 retain_graph=True 参数来保留计算图，以便多次反向传播。

   loss.backward(retain_graph=True)

   请注意，使用 retain_graph=True 可能会导致 GPU 内存占用增加，因此要小心使用。

3. 释放不再需要的变量： 在训练循环结束时，确保释放不再需要的中间变量，可以使用 del 关键字或者将其设置为 None。

   # 释放不再需要的变量 intermediate_result = None

4. 检查模型和优化器的状态： 在训练循环结束时，确保你的模型和优化器都处于正确的状态。你可能需要在每个训练步骤之前调用 optimizer.zero_grad() 来清除梯度。

   optimizer.zero_grad()

5. 使用 PyTorch 内置调试工具： 使用 torch.autograd.detect_anomaly() 来捕捉异常的计算图操作。这有助于定位导致问题的操作。

如果以上方法都没有解决问题，你可能需要检查你的训练循环和模型定义的详细情况，以确定在哪里出现了多次反向传播的问题。

扩展阅读

        首先要知道，为什么会报这个错，这个错翻译成白话文就是说：当我们第二次backward的时候，计算图的结构已经被破坏了（buffer的梯度被释放了），这也是pytorch动态图的机制，可以节省内存。

        这里不仔细讲解backward是怎么工作的了，一般我们在训练的时候常用的就是loss.backward（）这种写法，loss一般是一个标量

        在pytorch的计算图中，其实只有两种元素：tensor和function，function就是加减乘除、开方、幂指对、三角函数等可求导运算，而tensor可细分为两类：叶子节点(leaf node)和非叶子节点。使用backward()函数反向传播计算tensor的梯度时，并不计算所有tensor的梯度，而是只计算满足这几个条件的tensor的梯度：1.类型为叶子节点、2.requires_grad=True、3.依赖该tensor的所有tensor的requires_grad=True。
        具体参照这个博客

RuntimeError: Trying to backward through the graph a second time but the buffers have already been f-CSDN博客文章浏览阅读2.5w次，点赞127次，收藏207次。RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed遇到过几次这个报错了，这几天把backward和autograd给看了几遍，终于摸着点门道首先要知道，为什么会报这个错，这个错翻译成白话文就是说：当我们第二次backward的时候，计算图的结构已经被破坏了（释放了），这也是pytorch动态图的机制，可以节省内存。这里不仔细讲解backwhttps://blog.csdn.net/SY_qqq/article/details/107384161

完结撒花
远赴人间惊鸿宴,一睹人间盛世颜https://zhidao.baidu.com/question/561277295779316412.html