backward的 retain_variables=True与retain_graph=True 区别及应用

首先 ：retain_variables=True 与 retain_graph=True   没有任何区别 

        只是 retain_variables 会在pytorch 新版本中被取消掉，将使用 retain_graph 。

        所以 在使用 retain_variables=True 时报错：

        TypeError: backward() got an unexpected keyword argument 'retain_variables'

 

应用：

两者都是backward()的参数   默认 retain_graph=False，

也就是反向传播之后这个计算图的内存会被释放，这样就没办法进行第二次反向传播了，

所以我们需要设置为 retain_graph=True，

loss_1.backward(retain_graph=True) 

 

retain_graph：

每次 backward() 时，默认会把整个计算图free掉。一般情况下是每次迭代，只需一次 forward() 和一次 backward() ,前向运算forward() 和反向传播backward()是成对存在的，一般一次backward()也是够用的。但是不排除，由于自定义loss等的复杂性，需要一次forward()，多个不同loss的backward()来累积同一个网络的grad,来更新参数。于是，若在当前backward()后，不执行forward() 而可以执行另一个backward()，需要在当前backward()时，指定保留计算图，即backward(retain_graph)。

 

 

参考链接：https://www.pytorchtutorial.com/pytorch-backward/     不过这篇写的是旧版本的了！