pytorch 多次backward

影响pytorch梯度的参数：

1.requires_grad 需要为True

for param in model.named_parameters():
    if param[0] in need_frozen_list:
        param[1].requires_grad = False

2.model.train(True)

如果网络需要多次求loss，多次求导反向传播：

如果我们再调用一次 backward，会发现程序报错，没有办法再做一次。这是因为 PyTorch 默认做完一次自动求导之后，计算图就被丢弃了，所以两次自动求导需要手动设置一个东西，我们通过下面的小例子来说明。

import torch
from torch.autograd import Variable
x = Variable(torch.FloatTensor([3]), requires_grad=True)
y = x * 2 + x ** 2 + 3
print(y)
y.backward(retain_graph=True) # 设置 retain_graph 为 True 来保留计算图
print(x.grad)
y.backward() # 再做一次自动求导，这次不保留计算图
print(x.grad)
结果：

tensor([18.], grad_fn=<AddBackward0>)
tensor([8.])
tensor([16.])

可以发现 x 的梯度变成了 16，因为这里做了两次自动求导，所以讲第一次的梯度 8 和第二次的梯度 8 加起来得到了 16 的结果。