梯度累加是什么意思-详解

每次看到“梯度是累加的，所以需要清除梯度”这句话都感觉云里雾里，貌似懂了实际没懂，原来竟是这么简单的意思！

1、直接上代码：

import torch

x = torch.Tensor([1, 2, 3])
x.requires_grad_()
print(x)
y = x**2

 # 连续调用backward时，需要retain_graph=True确保计算图暂时不被释放
y.sum().backward(retain_graph=True) 
print(x.grad)
y.sum().backward()
print(x.grad)  # 如果梯度不归零的话，梯度是累加的
           

运行结果是：

tensor([1., 2., 3.], requires_grad=True)
tensor([2., 4., 6.])
tensor([ 4.,  8., 12.])
           

第一次调用backward反向传播，结果是（2 4 6），中间没有梯度清零，第二次调用backward反向传播，又有了一波结果（2 4 6），加在之前的结果上就得了（4 8 12）

2、接下来，我们在两次调用之间加一个梯度清零操作看看：

import torch

x = torch.Tensor([1, 2, 3])
x.requires_grad_()
print(x)
y = x**2

y.sum().backward(retain_graph=True)  # 连续调用backward时，需要retain_graph=True确保计算图暂时不被释放
print(x.grad)
x.grad.zero_()
y.sum().backward()
print(x.grad)  # 如果梯度不归零的话，梯度是累加的
           

运行结果是：

tensor([1., 2., 3.], requires_grad=True)
tensor([2., 4., 6.])
tensor([2., 4., 6.])