即使在 loss.backward() 之后 output.grad 也没有

如何解决即使在 loss.backward() 之后 output.grad 也没有

我很困惑...

我的模型输出： tensor([[0.0000,0.1537],...],grad_fn=<ReluBackward0>)

如果我使用 print(output.grad) 它会给我 None 但即使在梯度计算之后 loss.backward() 我得到相同的结果，同样是 None...

即使 with torch.set_grad_enabled(True): 补充，还是一样。

我现在尝试了多个模型变体，始终相同。

我用我的模型取得了很好的结果，似乎没有问题，现在我看到了这一点，我不确定是否可能存在我目前没有认识到的重大缺陷。 但是我的模型正在学习，它有所改进，所以我想它必须这样做？

为什么我得到 None 而不是实际值？

解决方法

您得到 None 是因为梯度仅存储在叶张量的 .grad 属性中。这些是在计算图中没有父项的张量。

您可以使用 is_leaf 检查张量是否为叶子：

>>> x = torch.FloatTensor([1,2,3])
>>> x.requires_grad = True
>>> x.sum().backward() # backward pass

>>> x.is_leaf
True
>>> x.grad
tensor([1.,1.,1.])

您打印的张量显示 grad_fn=<ReluBackward0> 表示它是 ReLU 层的结果，因此不是叶张量。

这是一个非叶张量的例子：

>>> x = torch.FloatTensor([1,3])
>>> x.requires_grad=True
>>> z = x.sum()
>>> z.backward()

>>> z.is_leaf
False
>>> z.grad
None

请注意，z 将显示为 tensor(6.,grad_fn=<SumBackward0>)。

---

实际访问.grad会给出警告：

UserWarning：正在访问不是叶张量的张量的 .grad 属性。在 autograd.backward() 期间不会填充它的 .grad 属性。如果您确实想要非叶张量的梯度，请在非叶张量上使用 .retain_grad() 。如果您错误地访问了非叶张量，请确保您改为访问叶张量。

如果您想访问非叶张量的梯度，请遵循警告消息：

>>> z.retain_grad()
>>> z = x.sum()
>>> z.retain_grad()
>>> z.backward()

>>> z.is_leaf
False
>>> z.grad
tensor(1.)