本文源自:https://blog.csdn.net/u012436149/article/details/76714349
這裡加入自己的一點實踐。
pytorch 的 Variable 對象中有兩個方法,detach和 detach_ 本文主要介紹這兩個方法的效果和 能用這兩個方法幹什麼。
detach
官方文檔中,對這個方法是這麼介紹的。
- 傳回一個新的 從目前圖中分離的 Variable。
- 傳回的 Variable 永遠不會需要梯度
- 如果 被 detach 的Variable volatile=True, 那麼 detach 出來的 Variable volatile 也為 True
- 還有一個注意事項,即:傳回的 Variable 和 被 detach 的Variable 指向同一個 tensor
import torch
from torch.nn import init
from torch.autograd import Variable
t1 = torch.FloatTensor([1., 2.])
v1 = Variable(t1)
t2 = torch.FloatTensor([2., 3.])
v2 = Variable(t2)
v3 = v1 + v2
v3_detached = v3.detach()
v3_detached.data.add_(t1) # 修改了 v3_detached Variable中 tensor 的值
print(v3, v3_detached) # v3 中tensor 的值也會改變
# detach 的源碼
def detach(self):
result = NoGrad()(self) # this is needed, because it merges version counters
result._grad_fn = None
return result
detach_
官網給的解釋是:将 Variable 從建立它的 graph 中分離,把它作為葉子節點。
從源碼中也可以看出這一點
- 将 Variable 的grad_fn 設定為 None,這樣,BP 的時候,到這個 Variable 就找不到 它的 grad_fn,是以就不會再往後BP了。
- 将 requires_grad 設定為 False。這個感覺大可不必,但是既然源碼中這麼寫了,如果有需要梯度的話可以再手動 将 requires_grad 設定為 true
- 還有一點:加下劃線的會改變變量本身。
# detach_ 的源碼
def detach_(self):
"""Detaches the Variable from the graph that created it, making it a
leaf.
"""
self._grad_fn = None
self.requires_grad = False
- 能來幹啥
如果我們有兩個網絡 A,B, 兩個關系是這樣的 y=A(x),z=B(y)。 現在我們想用 z.backward()來為 B 網絡的參數求梯度,但是又不想求 A 網絡參數的梯度。我們可以這樣:
# y=A(x), z=B(y) 求B中參數的梯度,不求A中參數的梯度
# 第一種方法
y = A(x)
z = B(y.detach())
z.backward()
# 第二種方法
y = A(x)
y.detach_()
z = B(y)
z.backward()
在這種情況下,
detach 和 detach_
都可以用。但是如果 你也想用 y 來對 A進行 BP 呢?那就隻能用第一種方法了。因為 第二種方法 已經将 A 模型的輸出 給 detach(分離)了。
自己的實踐:
detach()方法可以用在GAN中,對判别器的參數求梯度而對生成器的參數不求梯度。例如:
def backward_D(self):
# Fake
# stop backprop to the generator by detaching fake_B
if self.iscGAN:
fake_AB = self.fake_AB_pool.query(torch.cat((self.real_A, self.fake_B), 1).data)
else:
fake_AB = self.fake_AB_pool.query(self.fake_B.data)
pred_fake = self.netD(fake_AB.detach())# stop BP to G
self.loss_D_fake = self.criterionGAN(pred_fake, False)