pytorch grad_fn以及权重梯度不更新的问题

前提:我训练的是二分类网络,使用语言为pytorch
Varibale包含三个属性:
  • data:存储了Tensor,是本体的数据
  • grad:保存了data的梯度,本事是个Variable而非Tensor,与data形状一致
  • grad_fn:指向Function对象,用于反向传播的梯度计算之用

在构建网络时,刚开始的错误为:没有可以grad_fn属性的变量。
百度后得知要对需要进行迭代更新的变量设置requires_grad=True ,操作如下:

train_pred = Variable(train_pred.float(), requires_grad=True)`

这样设置之后网络是跑起来了,但是准确率一直没有提升,很明显可以看出网络什么都没学到。
我输出 model.parameters() (网络内部的权重和偏置)查看,发现它的权重并没有更新,一直是同一个值,至此可以肯定网络什么都没学到,还是迭代那里出了问题。
询问同门后发现问题不在这里。
计算loss时,target与train_pred的size不匹配,我以以下操作修改了train_pred,使两者尺寸一致,才导致了上述问题。

        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()

对train_pred多次处理后,它已无法正确地反向传播,实际上应该更改target,使其与train_pred size一致。

重点!!!要想loss正确反向传播,应直接将model(data)传入loss函数。

最终修改代码如下:

    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()
参考文献:

[1]. pytorch入门教程
[2]. 『PyTorch』第三弹重置_Variable对象

你可能感兴趣的:(代码问题)