如何对神经网络的 output 进行改造并仍然训练？

Question

我有一个输出output的神经网络。 我想在损失和反向传播发生之前转换output 。

这是我的一般代码：

with torch.set_grad_enabled(training):
                  outputs = net(x_batch[:, 0], x_batch[:, 1]) # the prediction of the NN
                  # My issue is here:
                  outputs = transform_torch(outputs)
                  loss = my_loss(outputs, y_batch)

                  if training:
                      scheduler.step()
                      loss.backward()
                      optimizer.step()

我有一个转换 function 我把我的 output 通过：

def transform_torch(predictions):
    torch_dimensions = predictions.size()
    torch_grad = predictions.grad_fn
    cuda0 = torch.device('cuda:0')
    new_tensor = torch.ones(torch_dimensions, dtype=torch.float64, device=cuda0, requires_grad=True)
    for i in range(int(len(predictions))):
      a = predictions[i]
      # with torch.no_grad(): # Note: no training happens if this line is kept in
      new_tensor[i] = torch.flip(torch.cumsum(torch.flip(a, dims = [0]), dim = 0), dims = [0])
    return new_tensor

我的问题是在倒数第二行出现错误：

RuntimeError: a view of a leaf Variable that requires grad is being used in an in-place operation.

有什么建议么？ 我已经尝试过使用“with torch.no_grad():”（已评论），但这会导致训练效果很差，而且我相信在变换 function 后梯度不会正确反向传播。

谢谢！

Answer 1

该错误对于问题是非常正确的 - 当您使用requires_grad = True创建一个新张量时，您会在图中创建一个叶节点（就像模型的参数一样）并且不允许对其进行就地操作。

解决方法很简单，不需要提前创建new_tensor 。 它不应该是叶节点； 即时创建它

new_tensor = [ ]
for i in range(int(len(predictions))):
    a = predictions[i]
    new_tensor.append(torch.flip(torch.cumsum(torch.flip(a, ...), ...), ...))

new_tensor = torch.stack(new_tensor, 0)    

这个new_tensor将从predictions中继承所有属性，如dtype 、 device ，并且已经具有require_grad = True 。