【item() detach()用法】神经网络训练显存越来越大的原因之一

1 显存变大的原因

PyTorch采用动态图机制，通过tensor(以前是variable)来构建图，tensor里面包含的梯度信息用于反向传播求导。但不是所有变量都应该包含梯度(毕竟东西多，占“面积”就多)，否则就会造成网络越跑，所占显存越大的情况，那怎么办呢？

2 loss.item()和loss.detach()解决问题

先看一段代码，

    for batch_idx, (inputs, targets) in enumerate(trainloader):
        inputs, targets = inputs.to(device), targets.to(device)
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = loss_func(outputs, targets)
        loss.backward()
        optimizer.step()
        
        print('loss:',loss)
        print('loss.item():',loss.item())
        print('loss.detach():',loss.detach())
        train_loss += loss.item()			# <----关键
        ...

输出：

loss: tensor(2.3391, device='cuda:0', grad_fn=<NllLossBackward>)
loss.item(): 2.3391051292419434
loss.detach(): tensor(2.3391, device='cuda:0')

很明显，loss.backward()在上面已经进行过了，下面去计算train_loss的时候就不要再带有梯度信息才合适。故有两种解决方案：

• 使用loss.detach()来获取不需要梯度回传的部分。
  detach()通过重新声明一个变量，指向原变量的存放位置，但是requires_grad变为False。
• 使用loss.item()直接获得对应的python数据类型。
  建议： 把除了loss.backward()之外的loss调用都改成loss.item()

3 感谢链接

https://www.zhihu.com/question/67209417/answer/344752405