Почему процесс обратного распространения все еще может работать, когда я включил функцию loss.backward () в метод torch.no_grad (): '? - PullRequest
Новая
       18

Почему процесс обратного распространения все еще может работать, когда я включил функцию loss.backward () в метод torch.no_grad (): '?

0 голосов
/ 02 апреля 2020

Я работаю с примером линейной регрессии в PyTorch. Я знаю, что сделал неправильно, включая 'loss.backward ()' в 'с torch.no_grad ():', но почему это сработало с моим кодом?

Согласно документам Pytorch , torch.autograd.no_grad - это контекстный менеджер, который отключил вычисление градиента. Так что я действительно запутался.

Код здесь: 

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
# Toy dataset
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                    [9.779], [6.182], [7.59], [2.167], [7.042], 
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                    [3.366], [2.596], [2.53], [1.221], [2.827], 
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

input_size = 1
output_size = 1
epochs = 100
learning_rate = 0.05

model = nn.Linear(input_size, output_size)


criterion = nn.MSELoss(reduction='sum')
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# training
for epoch in range(epochs):
    # convert numpy to tensor
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)

    # forward
    out = model(inputs)
    loss = criterion(out, targets)

    # backward
    with torch.no_grad():
        model.zero_grad()
        loss.backward()
        optimizer.step()
        print('inputs grad : ', inputs.requires_grad)
    if epoch % 5 == 0:
        print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

predicted = model(torch.from_numpy(x_train)).detach().numpy()
plt.plot(x_train, y_train, 'ro', label='Original data')
plt.plot(x_train, predicted, label='Fitted line')
plt.legend()
plt.show()

# Save the model checkpoint
torch.save(model.state_dict(), 'model\linear_model.ckpt')

Заранее спасибо за ответ на мой вопрос.

1 Ответ

4 голосов
/ 02 апреля 2020

Это сработало, потому что расчет потерь происходил до no_grad, и вы продолжаете вычислять градиенты в соответствии с этим расчетом потерь (в котором для расчета был включен градиент).

По сути, вы продолжаете обновлять вес ваших слоев, используя градиенты, рассчитанные за пределами no_grad.

Когда вы на самом деле используете no_grad: 

for epoch in range(epochs):
    # convert numpy to tensor
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)
    with torch.no_grad():  # no_grad used here
    # forward
        out = model(inputs)
        loss = criterion(out, targets)
        model.zero_grad()
        loss.backward()
        optimizer.step()
        print('inputs grad : ', inputs.requires_grad)
    if epoch % 5 == 0:
        print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

Тогда вы получите правильную ошибку, сказав:

element 0 of tensors does not require grad and does not have a grad_fn.

То есть вы используете no_grad там, где это не подходит.

Если вы напечатаете .requires_grad потери, то вы увидите, что потеря имеет requires_grad.

То есть, когда вы сделаете это: 

for epoch in range(epochs):
    # convert numpy to tensor
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)

    # forward
    out = model(inputs)
    loss = criterion(out, targets)

    # backward
    with torch.no_grad():
        model.zero_grad()
        loss.backward()

        optimizer.step()
        print('inputs grad : ', inputs.requires_grad)
        print('loss grad : ', loss.requires_grad)  # Prints loss.require_rgad
    if epoch % 5 == 0:
        print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

Вы увидите: 

inputs grad :  False
loss grad :  True

Кроме того, 

print('inputs grad : ', inputs.requires_grad)

Будет всегда печать False. То есть, если вы сделаете 

for epoch in range(epochs):
    # convert numpy to tensor
    inputs = torch.from_numpy(x_train)
    targets = torch.from_numpy(y_train)

    print('inputs grad : ', inputs.requires_grad). # Print the inputs.requires_grad

    # forward
    out = model(inputs)
    loss = criterion(out, targets)

    # backward
    with torch.no_grad():
        model.zero_grad()
        loss.backward()

        optimizer.step()
        print('inputs grad : ', inputs.requires_grad)
        print('loss grad : ', loss.requires_grad)
    if epoch % 5 == 0:
        print ('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

, вы получите: 

inputs grad :  False
inputs grad :  False
loss grad :  True

То есть вы используете неправильные вещи, чтобы проверить, что вы сделали неправильно. Лучшее, что вы можете сделать, это снова прочитать документы PyTorch по механике градиента.

...