找不到就地操作：梯度计算所需的变量之一已被就地操作修改答案

【问题标题】：can't find the inplace operation: one of the variables needed for gradient computation has been modified by an inplace operation找不到就地操作：梯度计算所需的变量之一已被就地操作修改
【发布时间】：2019-05-10 11:55:03
【问题描述】：

我正在尝试计算网络的雅可比损失（即执行双反向传播），我收到以下错误： RuntimeError：梯度计算所需的变量之一已被就地操作修改

我的代码中找不到inplace操作，所以不知道要修复哪一行。

*最后一行出现错误： loss3.backward()

            inputs_reg = Variable(data, requires_grad=True)
            output_reg = self.model.forward(inputs_reg)

            num_classes = output.size()[1]
            jacobian_list = []
            grad_output = torch.zeros(*output_reg.size())

            if inputs_reg.is_cuda:
                grad_output = grad_output.cuda()
                jacobian_list = jacobian.cuda()

            for i in range(10):

                zero_gradients(inputs_reg)
                grad_output.zero_()
                grad_output[:, i] = 1
                jacobian_list.append(torch.autograd.grad(outputs=output_reg,
                                                  inputs=inputs_reg,
                                                  grad_outputs=grad_output,
                                                  only_inputs=True,
                                                  retain_graph=True,
                                                  create_graph=True)[0])


            jacobian = torch.stack(jacobian_list, dim=0)
            loss3 = jacobian.norm()
            loss3.backward()

【问题讨论】：

grad_output.zero_() 似乎是就地操作。您可能在self.model 中进行了就地操作。
grad_output.zero_() 是就地操作。在 PyTorch 中，就地操作以下划线结尾。我想你想写 `grad_output.zero_grad()
在将新列（对应于我希望计算梯度的输出）设置为 1 之前，我需要将 grad_output 归零。所以我将 grad_output.zero_() 更改为 grad_output[:,i-1] = 0 并没有帮助。
实际上我上面描述的是将一个就地操作替换为另一个。

标签： pytorch backpropagation

【解决方案1】：

您可以使用set_detect_anomaly function available in autograd 包来准确查找导致错误的行。

这是link，它描述了相同的问题以及使用上述功能的解决方案。

【讨论】：

【解决方案2】：

grad_output.zero_() 是就地的，grad_output[:, i-1] = 0 也是。就地意味着“修改张量而不是返回已应用修改的新张量”。一个未就地的示例解决方案是torch.where。将第一列归零的示例

import torch
t = torch.randn(3, 3)
ixs = torch.arange(3, dtype=torch.int64)
zeroed = torch.where(ixs[None, :] == 1, torch.tensor(0.), t)

zeroed
tensor([[-0.6616,  0.0000,  0.7329],
        [ 0.8961,  0.0000, -0.1978],
        [ 0.0798,  0.0000, -1.2041]])

t
tensor([[-0.6616, -1.6422,  0.7329],
        [ 0.8961, -0.9623, -0.1978],
        [ 0.0798, -0.7733, -1.2041]])

注意t 如何保留它之前的值，而zeroed 拥有你想要的值。

【讨论】：

【解决方案3】：

谢谢！我将 grad_output 中的就地操作有问题的代码替换为：

            inputs_reg = Variable(data, requires_grad=True)
            output_reg = self.model.forward(inputs_reg)
            num_classes = output.size()[1]

            jacobian_list = []
            grad_output = torch.zeros(*output_reg.size())

            if inputs_reg.is_cuda:
                grad_output = grad_output.cuda()

            for i in range(5):
                zero_gradients(inputs_reg)

                grad_output_curr = grad_output.clone()
                grad_output_curr[:, i] = 1
                jacobian_list.append(torch.autograd.grad(outputs=output_reg,
                                                         inputs=inputs_reg,
                                                         grad_outputs=grad_output_curr,
                                                         only_inputs=True,
                                                         retain_graph=True,
                                                         create_graph=True)[0])

            jacobian = torch.stack(jacobian_list, dim=0)
            loss3 = jacobian.norm()
            loss3.backward()

【讨论】：

请注意，grad_output_curr[:, i] = 1 行仍然是就地操作，可能（也可能不会）进一步造成麻烦。