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.optimizer.zero_grad()清空过往梯度
backward()反向传播,可计算出各个变量的梯度,见https://blog.csdn.net/weixin_38145317/article/details/104777259
2. optimizer.step() 更新权重参数
简单来说,就是进来一个batch_size的数据,计算一次梯度,更新一次网络.
从pytorch的设计原理上来说,在每次进行前向计算得到pred时,会产生一个用于梯度回传的计算图,这张图储存了进行back propagation需要的中间结果,当调用了.backward()后,会从内存中将这图释放,而随着当我们使用loss.backward()和optimize.step()进行梯度下降更新参数的时候,梯度并不会自动清零.pytorch的特点就是每一步都是独立功能的操作,因此也就有需要梯度清零的说法,如若不显式的进行optimizer.zero_grad()这一操作,backward()的时候就会累加梯度.
若计算机内存受限,可以考虑梯度累加的trick,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
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. loss.backward()反向传播,计算当前梯度
3. 多次循环步骤1-2,不清空梯度,使梯度累加在已有梯度上
4.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,梯度增加就是,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,累加到一定次数后,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.
注意:
1.梯度累加时,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8倍相比,效果自然是差一些,毕竟8倍batchsize的BN估算出来的均值和方差肯定更精准一些.