PyTorchでzero_grad（）を呼び出す必要があるのはなぜですか？

このメソッドzero_grad()は、トレーニング中に呼び出す必要があります。しかし、ドキュメントはあまり役に立ちません

|  zero_grad(self)
|      Sets gradients of all model parameters to zero.

なぜこのメソッドを呼び出す必要があるのですか？

ではPyTorch、PyTorchが後続の逆方向パスで勾配を累積するため、逆伝播を開始する前に勾配をゼロに設定する必要があります。これは、RNNのトレーニング中に便利です。したがって、デフォルトのアクションは、すべての呼び出しで勾配を累積（つまり合計）することloss.backward()です。

このため、トレーニングループを開始するときzero out the gradientsは、パラメータの更新を正しく行うようにするのが理想的です。それ以外の場合、勾配は、最小（または最大化の目的の場合は最大）に向かう意図された方向以外の方向を指します。

簡単な例を次に示します。

import torch
from torch.autograd import Variable
import torch.optim as optim

def linear_model(x, W, b):
    return torch.matmul(x, W) + b

data, targets = ...

W = Variable(torch.randn(4, 3), requires_grad=True)
b = Variable(torch.randn(3), requires_grad=True)

optimizer = optim.Adam([W, b])

for sample, target in zip(data, targets):
    # clear out the gradients of all Variables 
    # in this optimizer (i.e. W, b)
    optimizer.zero_grad()
    output = linear_model(sample, W, b)
    loss = (output - target) ** 2
    loss.backward()
    optimizer.step()

また、あなたがやっている場合はバニラ勾配降下を、次のようになります。

W = Variable(torch.randn(4, 3), requires_grad=True)
b = Variable(torch.randn(3), requires_grad=True)

for sample, target in zip(data, targets):
    # clear out the gradients of Variables 
    # (i.e. W, b)
    W.grad.data.zero_()
    b.grad.data.zero_()

    output = linear_model(sample, W, b)
    loss = (output - target) ** 2
    loss.backward()

    W -= learning_rate * W.grad.data
    b -= learning_rate * b.grad.data

注：勾配の累積（つまり合計）は.backward()、がlossテンソルで呼び出されたときに発生します。

zero_grad() エラー（または損失）を減らすために勾配法を使用する場合、最後のステップから損失なしでループを再開します。

使用しない場合zero_grad()、損失は減少し、必要に応じて増加しません。

例えば：

を使用zero_grad()すると、次の出力が得られます。

model training loss is 1.5
model training loss is 1.4
model training loss is 1.3
model training loss is 1.2

使用しないzero_grad()場合は、次の出力が得られます。

model training loss is 1.4
model training loss is 1.9
model training loss is 2
model training loss is 2.8
model training loss is 3.5