累积梯度

pytorch会在每一次backward()后进行梯度计算，但是梯度不会自动归零，如果不进行手动归零的话，梯度会不断累加

1.1 传统的训练一个 batch 的流程如下：

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()
    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

即进来一个batch的数据，就计算一次梯度，更新一次网络

 

1.2 使用梯度累加

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(imgaes)
    loss = criterion(outputs, target)

    # 2.1 loss regularization
    loss = loss / accumulation_steps # loss每次都会更新，因此每次都除以steps再加到原来的梯度上面去
    
    # 2.2 backward propagation
    loss.backward()

    # 3. update parameters of net
    if ((i+1)%accumulation)==0:
        # optimizer the net
        optimizer.step()
        optimizer.zero_grad() # reset grdient

• 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
• loss.backward()反向传播，计算当前梯度
• 多次循环步骤 1-2， 不清空梯度，使梯度累加在已有梯度上
• 梯度累加一定次数后，先optimizer.step()根据累积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。
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。