loss at（loss.item()用法和注意事项详解）

.item()方法是 
    
    
    
    
 ，取一个元素张量里面的具体元素值并返回该值
     


     


     


     


     ，可以将一个零维张量转换成int型或者float型 




 




 




 




 




，在计算loss 

   

   

   

   

，accuracy时常用到    
    
    
    
    
。

作用：

1.item（）取出张量具体位置的元素元素值

2.并且返回的是该位置元素值的高精度值

3.保持原元素类型不变；必须指定位置

4.节省内存（不会计入计算图）

import torch loss = torch.randn(2, 2) print(loss) print(loss[1,1]) print(loss[1,1].item())

输出结果

tensor([[-2.0274, -1.5974],

        [-1.4775,  1.9320]])

tensor(1.9320)

1.9319512844085693

其它：

loss = criterion(out, label) loss_sum += loss # <--- 这里

运行着就发现显存炸了
     

     

     

     

     ，观察发现随着每个batch显存消耗在不断增大…因为输出的loss的数据类型是Variable  


     


     


     


     


 。PyTorch的动态图机制就是通过Variable来构建图


 




 




 




 




 。主要是使用Variable计算的时候  




  




  




  




  



，会记录下新产生的Variable的运算符号 


  


  


  


  


，在反向传播求导的时候进行使用   

   

   

   

   

。如果这里直接将loss加起来
     
     
     
     
    ，系统会认为这里也是计算图的一部分   




   




   




   




   


，也就是说网络会一直延伸变大 



 



 



 



 



，那么消耗的显存也就越来越大   

     

     

     

     

。

正确的loss一般是这样写 

loss_sum += loss.data[0]

其它注意事项：

使用loss += loss.detach()来获取不需要梯度回传的部分



  




  




  




  




  。

使用loss.item()直接获得对应的python数据类型  


  


  


  


  

。

补充阅读                       ，pytorch 计算图

Pytorch的计算图由节点和边组成
    




    




    




    




    

，节点表示张量或者Function
























，边表示张量和Function之间的依赖关系    
     
     
     
     
。

Pytorch中的计算图是动态图




   




   




   




   




  。这里的动态主要有两重含义 



 



 



 



 

。

第一层含义是：计算图的正向传播是立即执行的                         。无需等待完整的计算图创建完毕                       ，每条语句都会在计算图中动态添加节点和边
     



     



     



     



     
，并立即执行正向传播得到计算结果




    




    




    




    




  。

第二层含义是：计算图在反向传播后立即销毁






















。下次调用需要重新构建计算图                         。如果在程序中使用了backward方法执行了反向传播
























，或者利用torch.autograd.grad方法计算了梯度 
    
    
    
    
 ，那么创建的计算图会被立即销毁
     


     


     


     


     ，释放存储空间 




 




 




 




 




，下次调用需要重新创建 



     



     



     



     



  。

1 

   

   

   

   

，计算图的正向传播是立即执行的






















。

import torch w = torch.tensor([[3.0,1.0]],requires_grad=True) b = torch.tensor([[3.0]],requires_grad=True) X = torch.randn(10,2) Y = torch.randn(10,1) Y_hat = X@w.t() + b # Y_hat定义后其正向传播被立即执行
     

     

     

     

     ，与其后面的loss创建语句无关 loss = torch.mean(torch.pow(Y_hat-Y,2)) print(loss.data) print(Y_hat.data) tensor(17.8969) tensor([[3.2613], [4.7322], [4.5037], [7.5899], [7.0973], [1.3287], [6.1473], [1.3492], [1.3911], [1.2150]])

2  




  




  




  




  



，计算图在反向传播后立即销毁    
    
    
    
    
。

import torch w = torch.tensor([[3.0,1.0]],requires_grad=True) b = torch.tensor([[3.0]],requires_grad=True) X = torch.randn(10,2) Y = torch.randn(10,1) Y_hat = X@w.t() + b # Y_hat定义后其正向传播被立即执行 


  


  


  


  


，与其后面的loss创建语句无关 loss = torch.mean(torch.pow(Y_hat-Y,2)) #计算图在反向传播后立即销毁
     
     
     
     
    ，如果需要保留计算图, 需要设置retain_graph = True loss.backward() #loss.backward(retain_graph = True) #loss.backward() #如果再次执行反向传播将报错

参考链接：pytorch学习：loss为什么要加item()_dlvector的博客-CSDN博客_loss.item()

https://blog.csdn.net/cs111211/article/details/126221102