为了节省显存,pytorch在反向传播的过程中只保留了计算图中的叶子结点的梯度值,而未保留中间节点的梯度,如下例所示:
import torch
x = torch.tensor(3., requires_grad=True)
y = x ** 2
z = 4 * y
z.backward()
print(x.grad) # tensor(24.)
print(y.grad) # None
可以看到当进行反向传播后,只保留了x的梯度tensor(24.),而y的梯度没有保留所以为None。
但有时我们需要得到模型中间变量的梯度(如绘制Grad-CAM图时),接下来介绍两种获取中间变量梯度的方法:
方法一:torch.autograd.grad(outputs, inputs)
import torch
import torch.autograd as autograd
x = torch.tensor(3., requires_grad=True)
y = x ** 2
z = 4 * y
x_grad = autograd.grad(z, x, retain_graph=True)[0]
y_grad = autograd.grad(z, y, retain_graph=True)[0]
print(x_grad) # tensor(24.)
print(y_grad) # tensor(4.)
可以看到此时x和y的梯度都可以获得,使用此方法时不用执行.backward()。
方法二:torch.Tensor.register_hook()
import torch
x = torch.tensor(3., requires_grad=True)
y = x ** 2
z = 4 * y
features_grad = 0.
# 为了读取模型中间参数变量的梯度而定义的辅助函数
def extract(g):
global features_grad
features_grad = g
y.register_hook(extract)
z.backward()
y_grad = features_grad
print(x.grad) # tensor(24.)
print(y_grad) # tensor(4.)
在执行反向传播之前,对需要求梯度的中间变量执行.register_hook(),便可获得该中间变量的梯度值。