pytorch 常见错误
RuntimeError: a leaf Variable that requires grad is being used in an in-place operation.
如下程序会抱上述错误
x=torch.randn(3,requires_grad=True)
x += 1 # 原位操作 报错：RuntimeError: a leaf Variable that requires grad is being used in an in-place operation.
报错：你在一个变量上进行操作，但是该变量是不可以修改的。这个变量是tensor。x是梯度是开启的，此时x不应该进行原位操作，但是x进行了原位操作。
原因：pytorch的自动求导机制的本质是使用链式求导法则，将求导的过程分解成一个一个的基本操作算子。其具体是通过自动构建计算图，来求解导数。
如下函数 \(y=f(x)\) , pytorch 的计算过程是这样
x = x0 # x取值x0
x.requires_grad=True # 目标函数是否关于x求梯度
y=f(x) # 前向过程
y.backward() # 反向求导
x.grad # 输出x在x0处的导数
py计算的是目标函数关于自变量在某一个确定点的导数值。此时已经构建了一张图，你将x进行了改变，此时计算图要重新构建。pytorch不允许这种操作。
假设 \(y=x*x\), 现在对x进行了操作x=x+1, 那么再对y求x的导数的时候，y关于x的映射关系是哪个？是\(y=x*x\), 还是 \(y = (x+1) * (x+1)\)。pytorch决定不了，总要有一个选择。
解决方案：
-
使用tensor的data属性：tensor有一个基本属性data，它是tensor上存储的变量的数值，你可以修改这个数值,但是不修改其他属性。选择的是\(y=(x+1)*(x+1)的路子\)
x=torch.tensor([1.0,1.0],requires_grad=True) x.data += 1 y=torch.dot(x,x)*0.5 y.backward() x.grad #tensor([2., 2.], requires_grad=True) x.grad == x #tensor([True, True, True]) -
使用
with torch.no_grad()此时梯度属性被禁用了x=torch.tensor([1.0,1.0],requires_grad=True) with torch.no_grad(): # 在上下文管理器中进行 x += 1 y=torch.dot(x,x) * 0.5 y.backward() x.grad #tensor([2., 2.], requires_grad=True) x.grad == x #tensor([True, True, True])2、tensor.grad.zero_() 梯度清零的使用场景
- 构建tensor x。其梯度打来
- 函数
y=f(x)对y关于\(x\) 在某一点求梯度x.grad - 使用\(x\) 构建函数\(g=g(x)\), 如果x不进行梯度清零，那么对g关于x求导，其结果为
x.grad = g关于x的导数+y关于x的导数
在深度学习里面，神经网络的参数是在动态变化中，所以其对应的映射关系也是在动态变化中。所以一次反向求导之后，进行第二次反向求导，那么需要将导数清零。
x=torch.tensor([1.0,1.0],requires_grad=True) y=torch.dot(x,x) * 0.5 g=2*x y.backward() g.sum().backward() x.grad # tensor([3., 3.]) = tensor([1., 1.]) + 23、pytorch当loss是nan的时候，其是无法输出的，具体案例如下：
x=torch.tensor([0,1,1,1,1],requires_grad=True,dtype=torch.float) y=x/x y.sum().backward() x.grad # 产生了除0操作，y为NAN，此时x为NAN
4.python的生成器机制yield
通过yield关键字定义生成器。使得函数能够记住上一次执行的状态，并在下一次调用的时候，从该状态继续执行。生成器有如下特性：
- 惰性求值：等到使用的时候再计算
- 节省内存：由于生成器在任何时刻只处理一个值，因此它不需要在内存中存储整个数据集，这在处理大量数据时尤其有用。
- 状态保持：生成器函数可以记住其上一次执行的状态，这意味着它可以从中断的地方继续执行。
定义生成器：
-
使用yield关键字
def f(n): for i in range(n): yield i # 使用yield定义生成器 -
生成器表达式
y = (x * x for x in range(5))
如何使用生成器？
-
使用for循环: 更加频繁，pytorch dataloader函数
for i in f(3): x = i print(i) -
使用next函数
next(y)
使用场景
- 大文件处理，节省内存
5、python 易错点
python 函数的特点
def f(n):
print('x:',x)
x=10
f(1) # 输出10
x=20
f(2) # 输出20
注意：函数中定义了x，会优先寻找局部变量；如果没有局部变量，寻找外部距离调用函数最近的变量；如果没有外部变量，也没有全局变量，报错
6、pytorch报错
TypeError: cannot assign 'torch.FloatTensor' as parameter 'weight' (torch.nn.Parameter or None expected)
net = nn.Sequential(nn.Linear(in_features=3, out_features=1,bias=True))
net[0].weight = torch.randn(3) #[ERROR]
net[0].weight.data = torch.randn(3) # [OK]
7、pytorch报错
RuntimeError: mat2 must be a matrix, got 1-D tensor
net = nn.Sequential(nn.Linear(in_features=4, out_features=1,bias=True))
net[0].weight.data = torch.randn(4)
x=torch.randn(10,4)
net(x) # 报错，因为此时net[0].weight.data是一个向量mat2 must be a matrix, got 1-D tensor
net[0].weight.data = torch.randn(1,4) # 注意data的维度 是1*4 还是4*1
net(x) # 输出正确结果