如何使用就地操作破坏 PyTorch autograd

Question

我试图更好地理解就地操作在 PyTorch autograd 中的作用。我的理解是，它们可能会导致问题，因为它们可能会覆盖后退步骤中所需的值。

我正在尝试构建一个示例，其中就地操作打破了自动微分，我的想法是在用于计算其他张量后覆盖反向传播期间所需的一些值。

我使用赋值作为就地操作（我尝试了+=相同的结果），我以这种方式仔细检查它是就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
y = x
y[3] = -1
print(x)

印刷：

tensor([ 0.,  1.,  2., -1.,  4.], grad_fn=<CopySlices>)

---

这是我打破 autograd 的尝试：

1. 没有就地操作：

tensor([ 0.,  1.,  2., -1.,  4.], grad_fn=<CopySlices>)

这打印

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

2. 使用就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
out1 = x ** 2
out2 = out1 / 10
# out1[3] += 100  
out2.sum().backward()
print(x.grad)

这打印：

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

我期待获得不同的毕业生。

• 项目分配在做什么？我不明白grad_fn=<CopySlices>。
• 为什么它返回相同的毕业生？
• 是否有破坏 autograd 的就地操作的工作示例？
• 是否有非向后兼容的 PyTorch 操作列表？

Answer 1

破坏 autograd 的就地操作的工作示例：

  x = torch.ones(5, requires_grad=True)
  x2 = (x + 1).sqrt()
  z = (x2 - 10)
  x2[0] = -1
  z.sum().backward()

加薪：

RuntimeError: one of the variables needed for gradient computation has been modified by an in-place operation: [torch.FloatTensor [5]], which is output 0 of SqrtBackward, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).