pytorch对梯度进行可视化进行梯度检查

目的： 在训练神经网络的时候，有时候需要自己写操作，比如faster_rcnn中的roi_pooling，我们可以可视化前向传播的图像和反向传播的梯度图像，前向传播可以检查流程和计算的正确性，而反向传播则可以大概检查流程的正确性。

实验

可视化rroi_align的梯度

1. pytorch 0.4.1及之前，需要声明需要参数，这里将图片数据声明为variable
   im_data = Variable(im_data, requires_grad=True)
2. 进行前向传播，最后的loss映射为一个一维的张量

pooled_feat = roipool(im_data, rois.view(-1, 6))
res = pooled_feat.pow(2).sum()
res.backward()

3. 注意求loss的时候采用更加复杂，或者更多的运算（这样在梯度可视化的时候效果才更加明显）

可视化效果

原始图片

梯度可视化图片

原图+梯度图

小结：

1. 可以看到误差梯度的位置是正确的，误差是否正确，需要其他方式验证（暂时没有思路）
2. 可以看到上面在求loss的时候为：loss = sum(x²)，但是如果换成：loss = mean(x)，效果就没有上面明显。

实验二的效果

loss = mean(x)

可以看到根本无法看到误差梯度的位置信息

实验三：loss = sum(x)

小结： 可以看到位置信息有差别，比如国徽部分，这会让人以为，国徽部分只利用了左部分的信息，或者自己手写的操作误差索引不对。
可以通过两种方式进行验证

1. 用更多，更复杂的运算求loss，比如pow，等
2. 用matplotlib显示图片后，用鼠标可以指示每个点的具体的值，可以检测有误差梯度区域是否和无误差梯度区域有差别。