PyTorch中的梯度累加

使用PyTorch实现梯度累加变相扩大batch

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,(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()

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

使用梯度累加是这么写的：

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

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。

更新1：关于BN是否有影响，之前有人是这么说的：

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：

我简单看了下PyTorch 1.0的源码：https://github.com/pytorch/pytorch/blob/162ad945902e8fc9420cbd0ed432252bd7de673a/torch/nn/modules/batchnorm.py#L24，BN类里面momentum这个属性默认为0.1，可以尝试调节下。

借助梯度累加，避免同时计算多个损失时存储多个计算图

原因在于在PyTorch中，计算得到的梯度值会进行累加。

而这样的好处可以从内存消耗的角度来看。

1. Edition1

在PyTorch中，multi-task任务一个标准的train from scratch流程为：

for idx, data in enumerate(train_loader):

    xs, ys = data

    pred1 = model1(xs)

    pred2 = model2(xs)

    loss1 = loss_fn1(pred1, ys)

    loss2 = loss_fn2(pred2, ys)

    ******

    loss = loss1 + loss2

    optmizer.zero_grad()

    loss.backward()

    ++++++

    optmizer.step()

从PyTorch的设计原理上来说，在每次进行前向计算得到pred时，会产生一个**用于梯度回传的计算图，这张图储存了进行back propagation需要的中间结果，当调用了 ****.backward()** 后，会从内存中将这张图进行释放。

上述代码执行到 ****** 时，内存中是包含了两张计算图的，而随着求和得到loss，这两张图进行了合并，而且大小的变化可以忽略。
执行到 ++++++ 时，得到对应的grad值并且释放内存。这样，训练时必须存储两张计算图，而如果loss的来源组成更加复杂，内存消耗会更大。

2. Edition2

为了减小每次的内存消耗，借助梯度累加，又有【PyTorch】PyTorch中的梯度累加-LMLPHP ，有如下变种。

for idx, data in enumerate(train_loader):

    xs, ys = data

    optmizer.zero_grad()

    # 计算d(l1)/d(x)

    pred1 = model1(xs) #生成graph1

    loss = loss_fn1(pred1, ys)

    loss.backward()  #释放graph1

    # 计算d(l2)/d(x)

    pred2 = model2(xs)#生成graph2

    loss2 = loss_fn2(pred2, ys)

    loss.backward()  #释放graph2

    # 使用d(l1)/d(x)+d(l2)/d(x)进行优化

    optmizer.step()

可以从代码中看出，利用梯度累加，可以在最多保存一张计算图的情况下进行multi-task任务的训练。

3. Other

另外一个理由就是在内存大小不够的情况下叠加多个batch的grad作为一个大batch进行迭代，因为二者得到的梯度是等价的。

综上可知，这种梯度累加的思路是对内存的极大友好，是由FAIR的设计理念出发的。

梯度