Pytorch-RuntimeError：试图第二次反向遍历图形，但缓冲区已被释放

Question

我一直遇到这个错误：

RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed. Specify retain_graph=True when calling backward the first time.

我在Pythorch论坛搜索过，但仍然无法找出我在自定义丢失功能中做错了什么。我的模型是nn.GRU，下面是我的自定义损失函数：

def _loss(outputs, session, items):  # `items` is a dict() contains embedding of all items
    def f(output, target):
        pos = torch.from_numpy(np.array([items[target["click"]]])).float()
        neg = torch.from_numpy(np.array([items[idx] for idx in target["suggest_list"] if idx != target["click"]])).float()
        if USE_CUDA:
            pos, neg = pos.cuda(), neg.cuda()
        pos, neg = Variable(pos), Variable(neg)

        pos = F.cosine_similarity(output, pos)
        if neg.size()[0] == 0:
            return torch.mean(F.logsigmoid(pos))
        neg = F.cosine_similarity(output.expand_as(neg), neg)

        return torch.mean(F.logsigmoid(pos - neg))

    loss = map(f, outputs, session)
return -torch.mean(torch.cat(loss))

培训代码：

    # zero the parameter gradients
    model.zero_grad()

    # forward + backward + optimize
    outputs, hidden = model(inputs, hidden)
    loss = _loss(outputs, session, items)
    acc_loss += loss.data[0]

    loss.backward()
    # Add parameters' gradients to their values, multiplied by learning rate
    for p in model.parameters():
        p.data.add_(-learning_rate, p.grad.data)

Answer 1

问题来自我的训练循环：它不会在批处理之间分离或重新打包隐藏状态？如果是这样，则loss.backward()尝试一直反向传播到时间的开始，这对第一批有效，但对第二批无效，因为第一批的图形已被丢弃。

有两种可能的解决方案。

1）在批之间分离/重新打包隐藏状态。有（在 至少）三种方法（我选择了这个解决方案）：

 hidden.detach_()
 hidden = hidden.detach()

2）将loss.backward（）替换为loss.backward(retain_graph=True)，但要知道，每个连续批处理将比前一批处理花费更多的时间，因为它必须一直反向传播到第一批处理的开始。

Example