当前位置:首页 > 文章列表 > 科技周边 > 人工智能 > PyTorch Tensor.detach_ 为什么不能用于 view

PyTorch Tensor.detach_ 为什么不能用于 view

来源:17golang原创 2026-11-17 23:46:48 0浏览 收藏

在 PyTorch 里,如果你对一个由 view()、切片或转置得到的张量调用 detach_(),常见结果不是“成功切断梯度”,而是直接遇到 view 不能原地 detach 的限制。原因在于:view 只是换了一种解释同一块底层数据的方式,而 detach_() 要修改当前 Tensor 的 autograd 身份。

官方地址:https://pytorch.org/

需要切断梯度但对象可能是 view 时,优先使用 tensor.detach();只有还要隔离底层数据,才使用 tensor.clone().detach()。不要把 detach 误认为深拷贝。
  • view:与基张量共享底层数据,可能是非连续张量。
  • detach_():原地脱离当前 Tensor 的计算图,view 不能使用。
  • detach():返回不参与梯度的新 Tensor,但仍共享存储。

先看清 view 和原张量的关系

下面的例子没有执行真实推理,只用最小对象关系说明问题。reshape 在不同布局下可能返回 view 或新张量,因此判断具体边界时不要只凭方法名猜测。

import torch

# base 是拥有数据的基础张量,并参与后续求导关系
base = torch.arange(6.0, requires_grad=True)

# view 只改变形状,通常与 base 共享底层存储
part = base.view(2, 3)

# 这里的身份关系比形状更重要:part 可能是 base 的视图
print(part.shape)
print(part._base is not None)  # 中文注释:非 None 表示它有基张量
PyTorch 基础 Tensor、view 与共享底层存储的静态关系说明图
图1:view 与基张量共享底层数据的结构说明图,不是运行截图。

官方的 Tensor Views 文档把这种对象称为 view:改变 view 中的数据,也会反映到基张量。这个共享关系正是它节省复制成本的地方,却也让“原地改变 Tensor 身份”变得敏感。

为什么 view 不能调用 detach_

detach_() 的下划线表示原地操作。它不是创建一个新对象,而是让当前 Tensor 脱离创建它的计算图,并把它视为一个 leaf。对于普通的非 view Tensor,这个语义是明确的;对于 view,当前对象的元数据和基张量之间存在视图关系,框架不能把这次身份变化只局限在一个视图上,所以官方 API 明确禁止 view 原地 detach。

这里要分清两个问题:是否切断梯度和是否复制数据。前者由 detach 处理,后者由 clone 处理。把 view 先改形状、再直接调用 detach_(),并不会自动把它变成独立张量。

import torch

# view 由 base 派生,不能把它当成独立 leaf 做原地 detach
base = torch.ones(4, requires_grad=True)
view = base[1:3]  # 中文注释:切片是常见的 view 来源

# 错误示例:view 的原地 autograd 身份不能这样修改
# view.detach_()

# 推荐示例:返回一个脱离计算图的新 Tensor
detached = view.detach()
print(detached.requires_grad)  # 中文注释:结果不再要求梯度

detach 还会影响 forward-mode AD:返回结果不会保留 forward-mode 梯度。它解决的是梯度追踪边界,不是存储隔离。

detach 和 clone().detach() 怎么选

如果只是把中间结果送入日志、缓存或不参与反向传播的后处理,detach() 通常足够。它返回新 Tensor,但与原对象共享 storage,任何一方的原地写入都可能被另一方观察到,也可能触发 autograd 的正确性检查。

如果后续代码会原地改写数据,或者你要把结果交给一个不应该影响原计算路径的缓冲区,就使用 clone().detach()。先复制,再切断梯度,得到的是独立存储且不要求梯度的 Tensor。

PyTorch detach 与 clone detach 的梯度关系和存储关系选择图
图2:detach 与 clone().detach() 的静态选择关系图,不是运行结果截图。
import torch

# x 代表仍在计算图中的结果;这里只展示选择关系
x = torch.randn(2, 3, requires_grad=True)
view = x[:, :2]  # 中文注释:view 与 x 共享底层数据

# 仅切断梯度:仍共享 storage,适合只读后处理
read_only = view.detach()

# 切断梯度并复制存储:适合后续独立原地修改
independent = view.clone().detach()
independent.add_(1)  # 中文注释:修改副本,不把写入传播回原存储

print(read_only.requires_grad, independent.requires_grad)

把排查结果落到三个判断上

你的目标建议写法要记住的边界
只是不想让后续操作回传梯度view.detach()新对象仍可能共享底层存储
想原地修改同一对象且它不是 viewtensor.detach_()view 不能原地 detach
既不回传梯度,又要独立数据view.clone().detach()复制有额外内存成本

遇到报错时,先问“这个对象是否是 view”,再问“我是否真的需要复制”。这两个判断比机械地把 detach_ 换成别的方法更可靠。

相关问题

detach() 会复制 Tensor 吗?

不会。官方文档说明它返回新 Tensor,但与原 Tensor 共享同一 storage;需要数据隔离时使用 clone().detach()。

把 view 改成 contiguous() 后能否 detach_?

contiguous() 在输入非连续时会复制并返回连续 Tensor,但不要仅凭连续性就推断对象一定满足所有原地 autograd 条件。若目标只是切断梯度,直接使用 detach() 更清楚;若目标是独立副本,显式写出 clone().detach()。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Transformers GenerationConfig stop_strings 怎样让文本生成按字符串停止Transformers GenerationConfig stop_strings 怎样让文本生成按字符串停止
上一篇
Transformers GenerationConfig stop_strings 怎样让文本生成按字符串停止
Hugging Face DataCollatorWithPadding 怎样按最长序列动态补齐输入
下一篇
Hugging Face DataCollatorWithPadding 怎样按最长序列动态补齐输入
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1084次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1084次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1247次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1191次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1037次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码