【PyTorch中在反向传播前为什么要手动将梯度清零？】

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：

for i, (image, label) in enumerate(train_loader):
    # 1. input output
    pred = model(image)
    loss = criterion(pred, label)

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

• 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；
• optimizer.zero_grad() 清空过往梯度；
• loss.backward() 反向传播，计算当前梯度；
• 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.

梯度累加

使用梯度累加是这么写的：

for i,(image, label) in enumerate(train_loader):
    # 1. input output
    pred = model(image)
    loss = criterion(pred, label)

    # 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

【步骤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；
【步骤2】：loss.backward()反向传播，计算当前梯度；
【步骤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；
【步骤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。

问题

更新1：

关于BN是否有影响，之前有人是这么说的：

As far as I know, batch norm statistics get updated on each forward pass, so no problem if you don’t do .backward() every time.

BN的估算是在forward阶段就已经完成的，并不冲突，只是accumulation_steps=8和真实的batchsize放大八倍相比，效果自然是差一些，毕竟八倍Batchsize的BN估算出来的均值和方差肯定更精准一些。

更新2：

根据 @李韶华 的分享，可以适当调低BN自己的momentum参数

bn自己有个momentum参数：x_new_running = (1 - momentum) * x_running + momentum * x_new_observed. momentum越接近0，老的running stats记得越久，所以可以得到更长序列的统计信息