我试图通过多次向后传递迭代来运行它并在每个步骤更新输入,从而最小化相对于某个目标的一些输入。第一遍运行成功,但在第二遍时出现以下错误:
RuntimeError: element 0 of variables tuple is volatile
这段代码片段演示了这个问题
import torch
from torch.autograd import Variable
import torch.nn as nn
inp = Variable(torch.Tensor([1]), requires_grad=True)
target = Variable(torch.Tensor([3]))
loss_fn = nn.MSELoss()
for i in range(2):
loss = loss_fn(inp, target)
loss.backward()
gradient = inp.grad
inp = inp - inp.grad * 0.01
当我检查的值inp
,在最后一行重新分配之前,inp.volatile => False
and inp.requires_grad => True
但在重新分配后,这些切换到True
and False
, 分别。为什么作为一个易失性变量会阻止第二次反向传播运行?
您必须在每次更新之前将梯度归零,如下所示:
inp.grad.data.zero_()
但在你的代码中,每次更新渐变时,你都会创建另一个渐变Variable
对象,因此您必须像这样更新整个历史记录:
import torch
from torch.autograd import Variable
import torch.nn as nn
inp_hist = []
inp = Variable(torch.Tensor([1]), requires_grad=True)
target = Variable(torch.Tensor([3]))
loss_fn = nn.MSELoss()
for i in range(2):
loss = loss_fn(inp, target)
loss.backward()
gradient = inp.grad
inp_hist.append(inp)
inp = inp - inp.grad * 0.01
for inp in inp_hist:
inp.grad.data.zero_()
但是这样你将计算你在历史记录中创建的所有先前输入的梯度(这很糟糕,这是浪费一切),正确的实现如下所示:
import torch
from torch.autograd import Variable
import torch.nn as nn
inp = Variable(torch.Tensor([1]), requires_grad=True)
target = Variable(torch.Tensor([3]))
loss_fn = nn.MSELoss()
for i in range(2):
loss = loss_fn(inp, target)
loss.backward()
gradient = inp.grad
inp.data = inp.data - inp.grad.data * 0.01
inp.grad.data.zero_()
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)