Штраф за градиент активации

Question

Вот простая нейронная сеть, где я пытаюсь наказать норму градиентов активации:

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=5)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=5)
        self.pool = nn.MaxPool2d(2, 2)
        self.relu = nn.ReLU()
        self.linear = nn.Linear(64 * 5 * 5, 10)

    def forward(self, input):
        conv1 = self.conv1(input)
        pool1 = self.pool(conv1)
        self.relu1 = self.relu(pool1)
        self.relu1.retain_grad()
        conv2 = self.conv2(relu1)
        pool2 = self.pool(conv2)
        relu2 = self.relu(pool2)
        self.relu2 = relu2.view(relu2.size(0), -1)
        self.relu2.retain_grad()
        return self.linear(relu2)

model = Net()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

for i in range(1000):
    output = model(input)
    loss = nn.CrossEntropyLoss()(output, label)
    optimizer.zero_grad()
    loss.backward(retain_graph=True)

    grads = torch.autograd.grad(loss, [model.relu1, model.relu2], create_graph=True)

    grad_norm = 0
    for grad in grads:
        grad_norm += grad.pow(2).sum()

    grad_norm.backward()

    optimizer.step()

Однако она не дает желаемого эффекта регуляризации.Если я делаю то же самое для весов (вместо активаций), это работает хорошо.Я делаю это правильно (с точки зрения техники pytorch)?В частности, что происходит в вызове grad_norm.backward ()?Я просто хочу убедиться, что обновляются градиенты веса, а не градиенты активации.В настоящее время, когда я распечатываю градиенты для весов и активаций непосредственно перед и после этой линии, оба меняются - поэтому я не уверен, что происходит.

Answer 1

Я думаю, ваш код в конечном итоге вычисляет некоторые градиенты дважды на каждом шаге.Я также подозреваю, что на самом деле он никогда не обнуляет градиенты активации, поэтому они накапливаются по шагам.

В общем:

• x.backward() вычисляет градиент x относительно.Граф расчета оставляет (например, весовые тензоры и другие переменные), а также относительно.узлы, явно помеченные retain_grad().Он накапливает вычисленный градиент в атрибутах .grad тензоров.

• autograd.grad(x, [y, z]) возвращает градиент x относительно.y и z независимо от того, будут ли они обычно сохранять град или нет.По умолчанию он также накапливает градиент во всех атрибутах .grad листьев.Вы можете предотвратить это, передав only_inputs=True.

Я предпочитаю использовать backward() только для шага оптимизации и autograd.grad() всякий раз, когда моей целью является получение "утонченных" градиентов какпромежуточные значения для другого вычисления.Таким образом, я могу быть уверен, что после того, как я закончу с ними, в атрибутах тензоров .grad не останется никаких нежелательных градиентов.

import torch
from torch import nn
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=5)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=5)
        self.pool = nn.MaxPool2d(2, 2)
        self.relu = nn.ReLU()
        self.linear = nn.Linear(64 * 5 * 5, 10)

    def forward(self, input):
        conv1 = self.conv1(input)
        pool1 = self.pool(conv1)
        self.relu1 = self.relu(pool1)
        conv2 = self.conv2(self.relu1)
        pool2 = self.pool(conv2)
        self.relu2 = self.relu(pool2)
        relu2 = self.relu2.view(self.relu2.size(0), -1)
        return self.linear(relu2)


model = Net()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
grad_penalty_weight = 10.

for i in range(1000000):
    # Random input and labels; we're not really learning anything
    input = torch.rand(1, 3, 32, 32)
    label = torch.randint(0, 10, (1,))

    output = model(input)
    loss = nn.CrossEntropyLoss()(output, label)

    # This is where the activation gradients are computed
    # only_inputs is optional here, since we're going to call optimizer.zero_grad() later
    # But it makes clear that we're *only* interested in the activation gradients at this point
    grads = torch.autograd.grad(loss, [model.relu1, model.relu2], create_graph=True, only_inputs=True)

    grad_norm = 0
    for grad in grads:
        grad_norm += grad.pow(2).sum()

    optimizer.zero_grad()
    loss = loss + grad_norm * grad_penalty_weight
    loss.backward()
    optimizer.step()

Этот код выглядит как для работы,в этом градиенты активации становятся меньше.Я не могу комментировать жизнеспособность этого метода как метода регуляризации.