【Python】torch.no_grad()函数详解和示例

点击全文阅读

torch.no_grad() 是 PyTorch 中的一个上下文管理器，用于在进入该上下文时禁用梯度计算。这在你只关心评估模型，而不是训练模型时非常有用，因为它可以显著减少内存使用并加速计算。

当你在 torch.no_grad() 上下文管理器中执行张量操作时，PyTorch 不会为这些操作计算梯度。这意味着不会在 .grad 属性中累积梯度，并且操作会更快地执行。

使用torch.no_grad()

import torch# 创建一个需要梯度的张量x = torch.tensor([1.0], requires_grad=True)# 使用 no_grad() 上下文管理器with torch.no_grad():    y = x * 2    y.backward()print(x.grad)

输出：

RuntimeError                              Traceback (most recent call last)Cell In[52], line 11      7 with torch.no_grad():      8     y = x * 2---> 11 y.backward()     13 print(x.grad)File E:\anaconda\lib\site-packages\torch\_tensor.py:396, in Tensor.backward(self, gradient, retain_graph, create_graph, inputs)    387 if has_torch_function_unary(self):    388     return handle_torch_function(    389         Tensor.backward,    390         (self,),   (...)    394         create_graph=create_graph,    395         inputs=inputs)--> 396 torch.autograd.backward(self, gradient, retain_graph, create_graph, inputs=inputs)File E:\anaconda\lib\site-packages\torch\autograd\__init__.py:173, in backward(tensors, grad_tensors, retain_graph, create_graph, grad_variables, inputs)    168     retain_graph = create_graph    170 # The reason we repeat same the comment below is that    171 # some Python versions print out the first line of a multi-line function    172 # calls in the traceback and some print out the last line--> 173 Variable._execution_engine.run_backward(  # Calls into the C++ engine to run the backward pass    174     tensors, grad_tensors_, retain_graph, create_graph, inputs,    175     allow_unreachable=True, accumulate_grad=True)RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

输出错误，因为使用了with torch.no_grad():。

不使用torch.no_grad()

import torch# 创建一个需要梯度的张量x = torch.tensor([1.0], requires_grad=True)# 使用 no_grad() 上下文管理器y = x * 2y.backward()print(x.grad)

输出：

tensor([2.])

点击全文阅读