快捷導(dǎo)航

解決Pytorch自定義層出現(xiàn)多Variable共享內(nèi)存錯(cuò)誤問(wèn)題

更新時(shí)間：2020年06月28日 10:46:39 作者：Hungryof

這篇文章主要介紹了解決Pytorch自定義層出現(xiàn)多Variable共享內(nèi)存錯(cuò)誤問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

錯(cuò)誤信息:

RuntimeError: in-place operations can be only used on variables that don't share storage with any other variables, but detected that there are 4 objects sharing it

自動(dòng)求導(dǎo)是很方便, 但是想想, 如果兩個(gè)Variable共享內(nèi)存, 再對(duì)這個(gè)共享的內(nèi)存的數(shù)據(jù)進(jìn)行修改, 就會(huì)引起錯(cuò)誤!

一般是由于 inplace操作或是indexing或是轉(zhuǎn)置. 這些都是共享內(nèi)存的.

 @staticmethod
 def backward(ctx, grad_output):
  ind_lst = ctx.ind_lst
  flag = ctx.flag

  c = grad_output.size(1)
  grad_former_all = grad_output[:, 0:c//3, :, :]
  grad_latter_all = grad_output[:, c//3: c*2//3, :, :]
  grad_swapped_all = grad_output[:, c*2//3:c, :, :]

  spatial_size = ctx.h * ctx.w

  W_mat_all = Variable(ctx.Tensor(ctx.bz, spatial_size, spatial_size).zero_())
  for idx in range(ctx.bz):
   W_mat = W_mat_all.select(0,idx)
   for cnt in range(spatial_size):
    indS = ind_lst[idx][cnt] 

    if flag[cnt] == 1:
     # 這里W_mat是W_mat_all通過(guò)select出來(lái)的, 他們共享內(nèi)存.
     W_mat[cnt, indS] = 1

   W_mat_t = W_mat.t()

   grad_swapped_weighted = torch.mm(W_mat_t, grad_swapped_all[idx].view(c//3, -1).t())
   grad_swapped_weighted = grad_swapped_weighted.t().contiguous().view(1, c//3, ctx.h, ctx.w)
   grad_latter_all[idx] = torch.add(grad_latter_all[idx], grad_swapped_weighted.mul(ctx.triple_w))

由于這里W_mat是W_mat_all通過(guò)select出來(lái)的, 他們共享內(nèi)存. 所以當(dāng)對(duì)這個(gè)共享的內(nèi)存進(jìn)行修改W_mat[cnt, indS] = 1, 就會(huì)出錯(cuò). 此時(shí)我們可以通過(guò)clone()將W_mat和W_mat_all獨(dú)立出來(lái). 這樣的話, 梯度也會(huì)通過(guò) clone()操作將W_mat的梯度正確反傳到W_mat_all中.

 @staticmethod
 def backward(ctx, grad_output):
  ind_lst = ctx.ind_lst
  flag = ctx.flag

  c = grad_output.size(1)
  grad_former_all = grad_output[:, 0:c//3, :, :]
  grad_latter_all = grad_output[:, c//3: c*2//3, :, :]
  grad_swapped_all = grad_output[:, c*2//3:c, :, :]

  spatial_size = ctx.h * ctx.w

  W_mat_all = Variable(ctx.Tensor(ctx.bz, spatial_size, spatial_size).zero_())
  for idx in range(ctx.bz):
   # 這里使用clone了
   W_mat = W_mat_all.select(0,idx).clone()
   for cnt in range(spatial_size):
    indS = ind_lst[idx][cnt]

    if flag[cnt] == 1:
     W_mat[cnt, indS] = 1

   W_mat_t = W_mat.t()

   grad_swapped_weighted = torch.mm(W_mat_t, grad_swapped_all[idx].view(c//3, -1).t())
   grad_swapped_weighted = grad_swapped_weighted.t().contiguous().view(1, c//3, ctx.h, ctx.w)

   # 這句話刪了不會(huì)出錯(cuò), 加上就吹出錯(cuò)
   grad_latter_all[idx] = torch.add(grad_latter_all[idx], grad_swapped_weighted.mul(ctx.triple_w))

但是現(xiàn)在卻出現(xiàn) 4個(gè)objects共享內(nèi)存. 如果將最后一句話刪掉, 那么則不會(huì)出錯(cuò).

如果沒(méi)有最后一句話, 我們看到

grad_swapped_weighted = torch.mm(W_mat_t, grad_swapped_all[idx].view(c//3, -1).t())

grad_swapped_weighted = grad_swapped_weighted.t().contiguous().view(1, c//3, ctx.h, ctx.w)

grad_swapped_weighted 一個(gè)新的Variable, 因此并沒(méi)有和其他Variable共享內(nèi)存, 所以不會(huì)出錯(cuò). 但是最后一句話,

grad_latter_all[idx] = torch.add(grad_latter_all[idx], grad_swapped_weighted.mul(ctx.triple_w))

你可能會(huì)說(shuō), 不對(duì)啊, 修改grad_latter_all[idx]又沒(méi)有創(chuàng)建新的Variable, 怎么會(huì)出錯(cuò). 這是因?yàn)間rad_latter_all和grad_output是共享內(nèi)存的. 因?yàn)?grad_latter_all = grad_output[:, c//3: c*2//3, :, :], 所以這里的解決方案是:

 @staticmethod
 def backward(ctx, grad_output):
  ind_lst = ctx.ind_lst
  flag = ctx.flag

  c = grad_output.size(1)
  grad_former_all = grad_output[:, 0:c//3, :, :]
  # 這兩個(gè)后面修改值了, 所以也要加clone, 防止它們與grad_output共享內(nèi)存
  grad_latter_all = grad_output[:, c//3: c*2//3, :, :].clone()
  grad_swapped_all = grad_output[:, c*2//3:c, :, :].clone()

  spatial_size = ctx.h * ctx.w

  W_mat_all = Variable(ctx.Tensor(ctx.bz, spatial_size, spatial_size).zero_())
  for idx in range(ctx.bz):
   W_mat = W_mat_all.select(0,idx).clone()
   for cnt in range(spatial_size):
    indS = ind_lst[idx][cnt]

    if flag[cnt] == 1:
     W_mat[cnt, indS] = 1

   W_mat_t = W_mat.t()

   grad_swapped_weighted = torch.mm(W_mat_t, grad_swapped_all[idx].view(c//3, -1).t())

   grad_swapped_weighted = grad_swapped_weighted.t().contiguous().view(1, c//3, ctx.h, ctx.w)
   grad_latter_all[idx] = torch.add(grad_latter_all[idx], grad_swapped_weighted.mul(ctx.triple_w))

  grad_input = torch.cat([grad_former_all, grad_latter_all], 1)

  return grad_input, None, None, None, None, None, None, None, None, None, None

補(bǔ)充知識(shí)：Pytorch 中 expand, expand_as是共享內(nèi)存的，只是原始數(shù)據(jù)的一個(gè)視圖 view

如下所示：

mask = mask_miss.expand_as(sxing).clone() # type: torch.Tensor
mask[:, :, -2, :, :] = 1 # except for person mask channel

為了避免對(duì)expand后對(duì)某個(gè)channel操作會(huì)影響原始tensor的全部元素，需要使用clone()

如果沒(méi)有clone()，對(duì)mask_miss的某個(gè)通道賦值后，所有通道上的tensor都會(huì)變成1！

# Notice! expand does not allocate more memory but just make the tensor look as if you expanded it.
# You should call .clone() on the resulting tensor if you plan on modifying it
# https://discuss.pytorch.org/t/very-strange-behavior-change-one-element-of-a-tensor-will-influence-all-elements/41190

以上這篇解決Pytorch自定義層出現(xiàn)多Variable共享內(nèi)存錯(cuò)誤問(wèn)題就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: