pytorch_trick（3）: PyTorch中可微张量的in-place operation问题解决方法

PyTorch中可微张量的in-place operation问题解决方法

关于可微张量的in-place operation（对原对像修改操作）的相关讨论。

• (1) 叶节点数值修改存在可微张量的in-place operation问题，会导致系统无法区分叶节点和其他节点的问题。

# in-place operation问题报错
# 但如果在计算过程中，我们使用in-place operation，让新生成的值替换w原始值，则会报错

w = torch.tensor(2., requires_grad = True)
w -= w * 2  

'''
RuntimeError                              Traceback (most recent call last)
<ipython-input-11-285e4fe2cdf5> in <module>
      1 w = torch.tensor(2., requires_grad = True)
----> 2 w -= w * 2

RuntimeError: a leaf Variable that requires grad is being used in an in-place operation."
'''

从报错信息中可知，PyTorch中不允许叶节点使用in-place operation，根本原因是会造成叶节点和其他节点类型混乱。

• 修改w值
  不过，虽然可微张量不允许in-place operation，但却可以通过其他方法进行对w进行修改。

w = torch.tensor(2., requires_grad = True)
w.is_leaf           # True，w是叶节点

w = w * 2           # tensor(4., grad_fn=<MulBackward0>)
w.is_leaf           # False，w不是叶节点

# 无法通过反向传播求其导数
w.backward()       
w.grad

'''
<ipython-input-7-8623099507de>:9: 
UserWarning: The .grad attribute of a Tensor that is not a leaf Tensor is being accessed. 
Its .grad attribute won't be populated during autograd.backward(). 
If you indeed want the .grad field to be populated for a non-leaf Tensor, use .retain_grad() on the non-leaf Tensor. 
If you access the non-leaf Tensor by mistake, make sure you access the leaf Tensor instead. 
'''

但是该方法会导致叶节点丢失，无法反向传播求导。而在一张计算图中，缺少了对叶节点反向传播求导数的相关运算，计算图也就失去了核心价值。因此在实际操作过程中，应该尽量避免导致叶节点丢失的相关操作。

(2) 叶节点数值修改方法

• 使用with torch.no_grad()语句或者torch.detach()方法

  当然，如果出现了一定要修改叶节点的取值的情况，典型的如梯度下降过程中利用梯度值修改参数值时，可以使用此前介绍的暂停追踪的方法，如使用with torch.no_grad()语句或者torch.detach()方法，使得修改叶节点数值时暂停追踪，然后再生成新的叶节点带入计算，如：

w = torch.tensor(2., requires_grad = True)     

# 利用with torch.no_grad()暂停追踪
with torch.no_grad():       
    w -= w * 2              # tensor(-2., requires_grad=True)

w.is_leaf                   # True，w是叶节点

w = torch.tensor(2., requires_grad = True)

# 利用detach生成新变量
w.detach_()             # tensor(2.)
w -= w * 2              # tensor(-2.)
w.requires_grad = True  # tensor(-2., requires_grad=True)

w.is_leaf               # True，w是叶节点

• 使用.data方法

当然，此处我们介绍另一种方法，.data来返回可微张量的取值，从在避免在修改的过程中被追踪

w = torch.tensor(2., requires_grad = True)
w.data              # tensor(2.)，查看张量的数值
w                   # tensor(2., requires_grad=True)，但不改变张量本身可微性

# .data方法，对其数值进行修改
w.data -= w * 2     
w                   # tensor(-2., requires_grad=True)

w.is_leaf           # True，w仍然是叶节点