Pytorch反向传播(loss.backward)报错原因及解决办法

报错信息

在程序中我的损失函数定义如下所示：

loss = nn.CrossEntropyLoss(reduction='none')

但在执行loss.backward()时出现了下面这条报错信息：

RuntimeError: grad can be implicitly created only for scalar outputs

原因分析

在定义损失函数loss时，我们设置了参数reduction='none'，这导致我们计算出的loss是一个二维的张量，行数为batchsize的大小。

backward只有对标量输出时才会计算梯度，而无法对张量计算梯度。

解决办法

将张量转变成一个标量，比如我们可以对loss求和，然后用求和得到的标量再反向传播求各个参数的梯度，这样不会对结果造成影响。

1.loss.backward 👉 loss.sum().backward 或者 loss.backward 👉 loss.backward(torch.ones_like(loss))

上面这两个方法表示对loss求和后再进行反向传播，其中第一个方法比较好理解，第二方法中的torch.ones_like(loss)是传入的grad_tensors参数，表示创建了一个与loss同样大小的全1张量，另loss与torch.ones_like(loss)点乘后再进行反向传播，也相当于对loss求和后再进行反向传播。

grad_tensors的作用其实可以简单地理解成在求梯度时的权重，因为可能不同值的梯度对结果影响程度不同，所以pytorch弄了个这种接口，而没有固定为全是1。

2.loss = nn.CrossEntropyLoss(reduction='none')👉 loss = nn.CrossEntropyLoss()

reduction 参数有三种选择：

• elementwise_mean：为默认情况，表明对N个样本的loss进行求平均之后返回
• sum：指对N个样本的loss求和
• none：表示直接返回N个样本的loss

参考文档

• pytorch小知识点（二）-------CrossEntropyLoss（reduction参数）
• Pytorch autograd,backward详解
• PyTorch 的 backward 为什么有一个 grad_variables 参数？