torch.optim 为多维张量返回“ValueError：无法优化非叶张量”

Question

我正在尝试使用torch.optim.adam. 它是redner教程系列中的一段代码，在初始设置下运行良好。它尝试通过将所有顶点移动相同的值来优化场景，称为translation。这是原始代码：

vertices = []
for obj in base:
    vertices.append(obj.vertices.clone())

def model(translation):
    for obj, v in zip(base, vertices):
        obj.vertices = v + translation
    # Assemble the 3D scene.
    scene = pyredner.Scene(camera = camera, objects = objects)
    # Render the scene.
    img = pyredner.render_albedo(scene)
    return img

# Initial guess
# Set requires_grad=True since we want to optimize them later

translation = torch.tensor([10.0, -10.0, 10.0], device = pyredner.get_device(), requires_grad=True)

init = model(translation)
# Visualize the initial guess

t_optimizer = torch.optim.Adam([translation], lr=0.5)

我尝试修改代码，使其为每个顶点计算单独的平移。为此，我对上面的代码进行了以下修改，使translationfrom的形状torch.Size([3])变为torch.Size([43380, 3])：

# translation = torch.tensor([10.0, -10.0, 10.0], device = pyredner.get_device(), requires_grad=True)
translation = base[0].vertices.clone().detach().requires_grad_(True)
translation[:] = 10.0

这介绍了ValueError: can't optimize a non-leaf Tensor. 你能帮我解决这个问题吗？

PS：很抱歉，文字太长，我对这个主题很陌生，我想尽可能全面地说明问题。

Answer 1

只能优化叶张量。叶张量是在图的开头创建的张量，即图中没有跟踪操作来生成它。换句话说，当您将任何操作应用于张量时，requires_grad=True它会跟踪这些操作以稍后进行反向传播。您不能将这些中间结果之一提供给优化器。

一个例子更清楚地表明：

weight = torch.randn((2, 2), requires_grad=True)
# => tensor([[ 1.5559,  0.4560],
#            [-1.4852, -0.8837]], requires_grad=True)

weight.is_leaf # => True

result = weight * 2
# => tensor([[ 3.1118,  0.9121],
#            [-2.9705, -1.7675]], grad_fn=<MulBackward0>)
# grad_fn defines how to do the back propagation (kept track of the multiplication)

result.is_leaf # => False

在result这个例子中，不能进行优化，因为它不是一个叶张量。同样，在您的情况下，translation由于您在创建后执行的操作，因此它不是叶张量：

translation[:] = 10.0
translation.is_leaf # => False

这有grad_fn=<CopySlices>因此它不是一个叶子，你不能将它传递给优化器。为避免这种情况，您必须从中创建一个与图形分离的新张量。

# Not setting requires_grad, so that the next operation is not tracked
translation = base[0].vertices.clone().detach()
translation[:] = 10.0
# Now setting requires_grad so it is tracked in the graph and can be optimised
translation = translation.requires_grad_(True)

您在这里真正要做的是创建一个新的张量，其值为 10.0，其大小与顶点张量相同。这可以更容易地实现torch.full_like

translation = torch.full_like(base[0],vertices, 10.0, requires_grad=True)