pytorch 报错 the graph are freed when you call .backward() or autograd.grad()

原来 的环境 是 python 3.7 torch1.13.1 环境 下面跑通的代码

到 python 3.10 和torch 2.3.1报错

File "/mnt/workspace/t.py", line 200, in train

d_loss.backward()

File "/usr/local/lib/python3.10/site-packages/torch/_tensor.py", line 525, in backward

torch.autograd.backward(

File "/usr/local/lib/python3.10/site-packages/torch/autograd/init.py", line 267, in backward

_engine_run_backward(

File "/usr/local/lib/python3.10/site-packages/torch/autograd/graph.py", line 744, in _engine_run_backward

return Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass

RuntimeError: Trying to backward through the graph a second time (or directly access saved tensors after they have already been freed). Saved intermediate values of the graph are freed when you call .backward() or autograd.grad(). Specify retain_graph=True if you need to backward through the graph a second time or if you need to access saved tensors after calling backward.

解决 d_loss.backward(retain_graph=True)

这个错误信息表明你尝试在一个已经进行了反向传播的计算图中再次进行反向传播,但是计算图的中间变量在第一次反向传播后已经被释放了。在 PyTorch 中,当你调用 `.backward()` 方法时,计算图的中间变量默认是不会被保留的,这意味着你不能在同一张图上再次进行反向传播。

错误信息中提到了两种可能的情况:

  1. 你尝试在同一个计算图中进行了第二次反向传播。

  2. 你尝试在调用 `.backward()` 之后直接访问已经释放的保存的张量。

如果你确实需要在同一个计算图中进行多次反向传播,或者在调用 `.backward()` 之后还需要访问中间变量,你可以在第一次调用 `.backward()` 时添加 `retain_graph=True` 参数。这会告诉 PyTorch 在进行反向传播时保留计算图,以便你可以再次使用它。

修改后的代码示例如下:

```python

d_loss.backward(retain_graph=True)

```

请注意,使用 `retain_graph=True` 可能会增加内存的使用,因为计算图的中间变量不会被立即释放。因此,只有在你确实需要保留计算图时才应该使用这个参数。

另外,如果你在一个循环中多次调用 `.backward()`,确保在每次迭代结束时调用 `optimizer.zero_grad()` 来清除已经累积的梯度,否则梯度会累积起来,导致不正确的更新。

```python

for _ in range(some_iterations):

... 进行前向传播 ...

计算损失

d_loss = ...

反向传播

d_loss.backward(retain_graph=True)

更新模型参数

optimizer.step()

清除梯度

optimizer.zero_grad()

```

如果你不需要保留计算图,确保在每次迭代中都重新构建计算图,而不是重复使用同一个计算图。

相关推荐
深圳市快瞳科技有限公司10 分钟前
破解多宠管理难题,端侧AI重新定义宠物智能硬件
人工智能·智能硬件·宠物
276695829222 分钟前
tiktok 弹幕 逆向分析
java·python·tiktok·tiktok弹幕·tiktok弹幕逆向分析·a-bogus·x-gnarly
Blossom.11825 分钟前
用一张“冰裂纹”石墨烯薄膜,让被动散热也能做 AI 推理——基于亚波长裂纹等离激元的零功耗温度-逻辑门
人工智能·深度学习·神经网络·目标检测·机器学习·机器人·语音识别
cylat27 分钟前
Day59 经典时序预测模型3
人工智能·python·深度学习·神经网络
嘉恩督31 分钟前
视频人脸处理——人脸面部动作提取
python·音视频
WJ.Polar33 分钟前
Python数据容器-集合set
开发语言·python
萤火虫儿飞飞41 分钟前
从基础加热到智能生态跨越:艾芬达用创新重构行业价值边界!
大数据·人工智能·重构
aneasystone本尊42 分钟前
学习 RAGFlow 的系统架构
人工智能
Codebee1 小时前
OneCode3.0低代码引擎核心技术:常用动作事件速查手册及注解驱动开发详解
人工智能·架构
AI大模型技术社1 小时前
✅2025全网最具权威深度解析并手写RAG Pipeline
人工智能·llm·掘金·日新计划