Pytorch - 为什么预分配内存会导致“尝试第二次向后浏览图表”

Question

假设我有一个简单的单隐藏层网络，我正在以典型的方式训练它：

    for x,y in trainData:
        optimizer.zero_grad()
        out = self(x)
        loss = self.lossfn(out, y)
        loss.backward()
        optimizer.step() 

这按预期工作，但如果我预先分配并更新输出数组，则会收到错误：

    out = torch.empty_like(trainData.tensors[1])
    for i,(x,y) in enumerate(trainData):
        optimizer.zero_grad()
        out[i] = self(x)
        loss = self.lossfn(out[i], y)
        loss.backward()
        optimizer.step()  

运行时错误：尝试再次向后浏览图形，但缓冲区已被释放。第一次向后调用时指定retain_graph=True。

在第二个版本中，Pytorch 尝试再次向后遍历图表，这里发生了什么？为什么这在第一个版本中不是问题？（请注意，即使我不这样做也会发生此错误zero_grad()）

Answer 1

该错误意味着程序正在尝试第二次反向传播一组操作。第一次反向传播一组操作时，pytorch 会删除计算图以释放内存。因此，第二次尝试反向传播时会失败，因为图形已被删除。

这是相同的详细解释。

简短回答

使用loss.backward(retain_graph=True)。这不会删除计算图。

详细解答

在第一个版本中，在每次循环迭代中，每次out = self(x)运行都会生成一个新的计算图。

Every loop's graph
out = self(x) -> loss = self.lossfn(out, y)

在第二个版本中，由于out在循环外部声明，因此每个循环中的计算图在外部都有一个父节点。

           - out[i] = self(x) -> loss = self.lossfn(out[i], y) 
out[i] - | - out[i] = self(x) -> loss = self.lossfn(out[i], y) 
           - out[i] = self(x) -> loss = self.lossfn(out[i], y)

因此，这是所发生事件的时间表。

1. 第一次迭代运行
2. 计算图被删除，包括父节点
3. 第二次迭代尝试反向传播但失败，因为它没有找到父节点