pytorch: Variable detach 与 detach

pytorch 的 Variable 对象中有两个方法，detach和 detach_ 本文主要介绍这两个方法的效果和 能用这两个方法干什么。

detach

官方文档中，对这个方法是这么介绍的。

返回一个新的 从当前图中分离的 Variable。返回的 Variable 永远不会需要梯度如果 被 detach 的Variable volatile=True， 那么 detach 出来的 volatile 也为 True还有一个注意事项，即：返回的 Variable 和 被 detach 的Variable 指向同一个 tensor import torch from torch.nn import init from torch.autograd import Variable t1 = torch.FloatTensor([1., 2.]) v1 = Variable(t1) t2 = torch.FloatTensor([2., 3.]) v2 = Variable(t2) v3 = v1 + v2 v3_detached = v3.detach() v3_detached.data.add_(t1) # 修改了 v3_detached Variable中 tensor 的值 print(v3, v3_detached) # v3 中tensor 的值也会改变 # detach 的源码 def detach(self): result = NoGrad()(self) # this is needed, because it merges version counters result._grad_fn = None return result

detach_

官网给的解释是：将 Variable 从创建它的 graph 中分离，把它作为叶子节点。

从源码中也可以看出这一点

将 Variable 的grad_fn 设置为 None，这样，BP 的时候，到这个 Variable 就找不到 它的 grad_fn，所以就不会再往后BP了。将 requires_grad 设置为 False。这个感觉大可不必，但是既然源码中这么写了，如果有需要梯度的话可以再手动 将 requires_grad 设置为 true # detach_ 的源码 def detach_(self): """Detaches the Variable from the graph that created it, making it a leaf. """ self._grad_fn = None self.requires_grad = False

能用来干啥

如果我们有两个网络 A,B A , B , 两个关系是这样的 y=A(x),z=B(y) y = A ( x ) , z = B ( y ) 现在我们想用 z.backward() z . b a c k w a r d ( ) 来为 B B 网络的参数来求梯度，但是又不想求 AA 网络参数的梯度。我们可以这样：

# y=A(x), z=B(y) 求B中参数的梯度，不求A中参数的梯度 # 第一种方法 y = A(x) z = B(y.detach()) z.backward() # 第二种方法 y = A(x) y.detach_() z = B(y) z.backward()

在这种情况下，detach 和 detach_ 都可以用。但是如果 你也想用 y y 来对 AA 进行 BP 呢？那就只能用第一种方法了。因为 第二种方法 已经将 A A <script type="math/tex" id="MathJax-Element-8">A</script> 模型的输出 给 detach（分离）了。