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)
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):
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
相关问题 更多 >
编程相关推荐