Pytorch获取中间变量的梯度grad
为了节约显存，pytorch在反向传播的过程中只保留了计算图中的叶子结点的梯度值，而未保留中间节点的梯度
import torch x = torch.tensor(3., requires_grad=True) y = x ** 2 z = 4 * y z.backward() print(x.grad) # tensor(24.) print(y.grad) # None
可以看到当进行反向传播后，只保留了x的梯度tensor(24.)，而y的梯度没有保留所以为None。
但有时我们需要得到模型中间变量的梯度（如绘制Grad-CAM图时），怎么办呢。
有2种方法
①torch.autograd.grad(outputs, inputs)
import torch import torch.autograd as autograd x = torch.tensor(3., requires_grad=True) y = x ** 2 z = 4 * y x_grad = autograd.grad(z, x, retain_graph=True)[0] y_grad = autograd.grad(z, y, retain_graph=True)[0] print(x_grad) # tensor(24.) print(y_grad) # tensor(4.)可以看到此时x和y的梯度都可以获得，使用此方法时不用执行.backward()。
②torch.Tensor.register_hook()
import torch x = torch.tensor(3., requires_grad=True) y = x ** 2 z = 4 * y features_grad = 0. # 为了读取模型中间参数变量的梯度而定义的辅助函数 def extract(g): global features_grad features_grad = g y.register_hook(extract) z.backward() y_grad = features_grad print(x.grad) # tensor(24.) print(y_grad) # tensor(4.)在执行反向传播之前，对需要求梯度的中间变量执行.register_hook()，便可获得该中间变量的梯度值。
