浅谈pytorch grad_fn以及权重梯度不更新的问题

前提：我训练的是二分类网络，使用语言为pytorch

Varibale包含三个属性：

data：存储了Tensor，是本体的数据

grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致

grad_fn：指向Function对象，用于反向传播的梯度计算之用

在构建网络时，刚开始的错误为：没有可以grad_fn属性的变量。

百度后得知要对需要进行迭代更新的变量设置requires_grad=True ，操作如下：

train_pred = Variable(train_pred.float(), requires_grad=True)`

这样设置之后网络是跑起来了，但是准确率一直没有提升，很明显可以看出网络什么都没学到。

我输出 model.parameters() (网络内部的权重和偏置)查看，发现它的权重并没有更新，一直是同一个值，至此可以肯定网络什么都没学到，还是迭代那里出了问题。

询问同门后发现问题不在这里。

计算loss时，target与train_pred的size不匹配，我以以下操作修改了train_pred，使两者尺寸一致，才导致了上述问题。

 train_pred = model(data)
 train_pred = torch.max(train_pred, 1)[1].data.squeeze()
 train_pred = Variable(train_pred.float(), requires_grad=False)
 train_loss = F.binary_cross_entropy(validation_pred.float(), target)
 train_loss.backward()

对train_pred多次处理后，它已无法正确地反向传播，实际上应该更改target，使其与train_pred size一致。

重点！！！要想loss正确反向传播，应直接将model(data)传入loss函数。

最终修改代码如下：

for batch_idx, (data, target) in enumerate(train_loader):
 # Get Samples
 label = target.view(target.size(0), 1).long()
 target_onehot = torch.zeros(data.shape[0], args.num_classes).scatter_(1, label, 1)
 data, target_onehot = Variable(data.cuda()), Variable(target_onehot.cuda().float())

model.zero_grad()

# Predict
 train_pred = model(data)
 train_loss = F.binary_cross_entropy(train_pred, target_onehot)
 train_loss.backward()
 optimizer.step()

来源：https://blog.csdn.net/duanmuji/article/details/85217338