pytorch grad_fn以及權重梯度不更新的問題
阿新 • • 發佈:2018-12-29
前提:我訓練的是二分類網路,使用語言為pytorch
Varibale包含三個屬性:
- data:儲存了Tensor,是本體的資料
- grad:儲存了data的梯度,本事是個Variable而非Tensor,與data形狀一致
- grad_fn:指向Function物件,用於反向傳播的梯度計算之用
在構建網路時,剛開始的錯誤為:沒有可以grad_fn屬性的變數。
百度後得知要對需要進行迭代更新的變數設定requires_grad=True ,操作如下:
train_pred = Variable(train_pred.float(), requires_grad= True)`
這樣設定之後網路是跑起來了,但是準確率一直沒有提升,很明顯可以看出網路什麼都沒學到。
我輸出 model.parameters() (網路內部的權重和偏置)檢視,發現它的權重並沒有更新,一直是同一個值,至此可以肯定網路什麼都沒學到,還是迭代那裡出了問題。
詢問同門後發現問題不在這裡。
計算loss時,target與train_pred的size不匹配,我以以下操作修改了train_pred,使兩者尺寸一致,才導致了上述問題。
train_pred = model(data)
train_pred = torch.max(train_pred, 1)[1].data.squeeze()
train_pred = Variable(train_pred.float(), requires_grad=False)
train_loss = F.binary_cross_entropy(validation_pred.float(), target)
train_loss.backward()
對train_pred多次處理後,它已無法正確地反向傳播,實際上應該更改target,使其與train_pred size一致。
重點!!!要想loss正確反向傳播,應直接將model(data)傳入loss函式。
最終修改程式碼如下:
for batch_idx, (data, target) in enumerate(train_loader):
# Get Samples
label = target.view(target.size(0), 1).long()
target_onehot = torch.zeros(data.shape[0], args.num_classes).scatter_(1, label, 1)
data, target_onehot = Variable(data.cuda()), Variable(target_onehot.cuda().float())
model.zero_grad()
# Predict
train_pred = model(data)
train_loss = F.binary_cross_entropy(train_pred, target_onehot)
train_loss.backward()
optimizer.step()
參考文獻:
[1]. pytorch入門教程
[2]. 『PyTorch』第三彈重置_Variable物件