PyTorch中在反向传播前为什么要手动将梯度清零？

optimizer.zero_grad() ## 梯度清零
preds = model(inputs) ## inference
loss = criterion(preds, targets) ## 求解loss
loss.backward() ## 反向传播求解梯度
optimizer.step()
1，由于pytorch的动态计算图，当我们使用loss.backward()和opimizer.step()进行梯度下降更新参数的时候，梯度并不会自动清零。并且这两个操作是独立操作。
2，backward()：反向传播求解梯度。
3，step()：更新权重参数。

基于以上几点，正好说明了pytorch的一个特点是每一步都是独立功能的操作，因此也就有需要梯度清零的说法，如若不显示的进行optimizer.zero_grad()这一步操作，backward()的时候就会累加梯度，也就有了各位答主所说到的梯度累加这种trick。

---

这种模式可以让梯度玩出更多花样，比如说梯度累加（gradient accumulation）
传统的训练函数，一个batch是这么训练的：
下面展示一些 内联代码片。

// An highlighted block
for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)

    # 2. backward
    optimizer.zero_grad()   # reset gradient
    loss.backward()
    optimizer.step()

1，获取loss：输入图像和标签，通过infer计算得到预测值，计算损失函数；
2，optimizer.zero_grad() 清空过往梯度；
3，loss.backward() 反向传播，计算当前梯度；
4，optimizer.step() 根据梯度更新网络参数简单的说就是进来一个batch的数据，计算一次梯度，更新一次网络。

使用梯度累加是这么写的：

// An highlighted block
作者：Pascal
链接：https://www.zhihu.com/question/303070254/answer/573037166
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)

    # 2.1 loss regularization
    loss = loss/accumulation_steps   
    # 2.2 back propagation
    loss.backward()
    # 3. update parameters of net
    if((i+1)%accumulation_steps)==0:
        # optimizer the net
        optimizer.step()        # update parameters of net
        optimizer.zero_grad()   # reset gradient

1，获取loss：输入图像和标签，通过infer计算得到预测值，计算损失函数；
2，loss.backward() 反向传播，计算当前梯度；
3，多次循环步骤1-2，不清空梯度，使梯度累加在已有梯度上；
4，梯度累加了一定次数后，先optimizer.step() 根据累计的梯度更新网络参数，然后optimizer.zero_grad() 清空过往梯度，为下一波梯度累加做准备；

总结来说：梯度累加就是，每次获取1个batch的数据，计算1次梯度，梯度不清空，不断累加，累加一定次数后，根据累加的梯度更新网络参数，然后清空梯度，进行下一次循环。一定条件下，batchsize越大训练效果越好，梯度累加则实现了batchsize的变相扩大，如果accumulation_steps为8，则batchsize ‘变相’ 扩大了8倍，是我们这种乞丐实验室解决显存受限的一个不错的trick，使用时需要注意，学习率也要适当放大。