clone() 與 detach() 對比

Torch 為了提高速度，向量或是矩陣的賦值是指向同一內存的，這不同于 Matlab。如果需要保存舊的tensor即需要開辟新的存儲地址而不是引用，可以用 clone() 進行深拷貝，

首先我們來打印出來clone()操作后的數據類型定義變化：

(1). 簡單打印類型

import torch

a = torch.tensor(1.0, requires_grad=True)
b = a.clone()
c = a.detach()
a.data *= 3
b += 1

print(a) # tensor(3., requires_grad=True)
print(b)
print(c)

'''
輸出結果：
tensor(3., requires_grad=True)
tensor(2., grad_fn=<AddBackward0>)
tensor(3.) # detach()后的值隨著a的變化出現(xiàn)變化
'''

grad_fn=<CloneBackward>，表示clone后的返回值是個中間變量，因此支持梯度的回溯。clone操作在一定程度上可以視為是一個identity-mapping函數。

detach()操作后的tensor與原始tensor共享數據內存，當原始tensor在計算圖中數值發(fā)生反向傳播等更新之后，detach()的tensor值也發(fā)生了改變。

注意： 在pytorch中我們不要直接使用id是否相等來判斷tensor是否共享內存，這只是充分條件，因為也許底層共享數據內存，但是仍然是新的tensor，比如detach()，如果我們直接打印id會出現(xiàn)以下情況。

import torch as t
a = t.tensor([1.0,2.0], requires_grad=True)
b = a.detach()
#c[:] = a.detach()
print(id(a))
print(id(b))
#140568935450520
140570337203616

顯然直接打印出來的id不等，我們可以通過簡單的賦值后觀察數據變化進行判斷。

(2). clone()的梯度回傳

detach()函數可以返回一個完全相同的tensor,與舊的tensor共享內存，脫離計算圖，不會牽扯梯度計算。

而clone充當中間變量，會將梯度傳給源張量進行疊加，但是本身不保存其grad，即值為None

import torch
a = torch.tensor(1.0, requires_grad=True)
a_ = a.clone()
y = a**2
z = a ** 2+a_ * 3
y.backward()
print(a.grad) # 2
z.backward()
print(a_.grad)　　　# None. 中間variable，無grad
print(a.grad) 
'''
輸出：
tensor(2.) 
None
tensor(7.) # 2*2+3=7
'''

使用torch.clone()獲得的新tensor和原來的數據不再共享內存，但仍保留在計算圖中，clone操作在不共享數據內存的同時支持梯度梯度傳遞與疊加，所以常用在神經網絡中某個單元需要重復使用的場景下。

通常如果原tensor的requires_grad=True，則：

• clone()操作后的tensor requires_grad=True
• detach()操作后的tensor requires_grad=False。
  

import torch
torch.manual_seed(0)

x= torch.tensor([1., 2.], requires_grad=True)
clone_x = x.clone() 
detach_x = x.detach()
clone_detach_x = x.clone().detach() 

f = torch.nn.Linear(2, 1)
y = f(x)
y.backward()

print(x.grad)
print(clone_x.requires_grad)
print(clone_x.grad)
print(detach_x.requires_grad)
print(clone_detach_x.requires_grad)
'''
輸出結果如下：
tensor([-0.0053, 0.3793])
True
None
False
False
'''

另一個比較特殊的是當源張量的 require_grad=False，clone后的張量 require_grad=True，此時不存在張量回傳現(xiàn)象，可以得到clone后的張量求導。

如下：

import torch
a = torch.tensor(1.0)
a_ = a.clone()
a_.requires_grad_() #require_grad=True
y = a_ ** 2
y.backward()
print(a.grad) # None
print(a_.grad) 
'''
輸出：
None
tensor(2.)
'''

了解了兩者的區(qū)別后我們常與其他函數進行搭配使用，實現(xiàn)數據拷貝后的其他需要。

比如我們經常使用view()函數對tensor進行reshape操作。返回的新Tensor與源Tensor可能有不同的size，但是是共享data的，即其中的一個發(fā)生變化，另外一個也會跟著改變。

需要注意的是view返回的Tensor與源Tensor是共享data的，但是依然是一個新的Tensor（因為Tensor除了包含data外還有一些其他屬性），兩者id（內存地址）并不一致。

x = torch.rand(2, 2)
y = x.view(4)
x += 1
print(x)
print(y) # 也加了1

view() 僅僅是改變了對這個張量的觀察角度，內部數據并未改變。這時候想返回一個真正新的副本（即不共享data內存）該怎么辦呢？Pytorch還提供了一個reshape()可以改變形狀，但是此函數并不能保證返回的是其拷貝，所以不推薦使用。推薦先用clone創(chuàng)造一個副本然后再使用view。參考此處

x = torch.rand(2, 2)
x_cp = x.clone().view(4)
x += 1
print(id(x))
print(id(x_cp))
print(x)
print(x_cp)
'''
140568935036464
140568935035816
tensor([[0.4963, 0.7682],
 [0.1320, 0.3074]])
tensor([[1.4963, 1.7682, 1.1320, 1.3074]]) 
'''

另外使用clone()會被記錄在計算圖中，即梯度回傳到副本時也會傳到源Tensor。在上一篇中有總結。

總結：

• torch.detach() — 新的tensor會脫離計算圖，不會牽扯梯度計算
• torch.clone() — 新的tensor充當中間變量，會保留在計算圖中，參與梯度計算（回傳疊加），但是一般不會保留自身梯度。
  原地操作(in-place, such as resize_ / resize_as_ / set_ / transpose_) 在上面兩者中執(zhí)行都會引發(fā)錯誤或者警告。
• 共享數據內存是底層設計，并不能簡單的通過直接打印tensor的id地址進行判斷，需要在進行賦值或運算操作后打印比較數據的變化進行判斷。
• 復制操作可以根據實際需要進行結合使用。
  

引用官方文檔的話：如果你使用了in-place operation而沒有報錯的話，那么你可以確定你的梯度計算是正確的。另外盡量避免in-place的使用。

像y = x + y這樣的運算會新開內存，然后將y指向新內存。我們可以使用Python自帶的id函數進行驗證：如果兩個實例的ID相同，則它們所對應的內存地址相同。

到此這篇關于PyTorch中clone()、detach()及相關擴展詳解的文章就介紹到這了,更多相關PyTorch中clone()、detach()及相關擴展內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論