前言

链接至YOLO-V3-SPP详细解析
在显存不够用的时候，YOLO采用了梯度累积的策略

源码实现

accumulate定义

train.py文件中定义了该accumulate参数：

accumulate = max(round(24 / batch_size), 1)

1. round() 方法返回浮点数 $\frac{24}{batchsize}$ 的四舍五入值，准确的说保留值将保留到离上一位更近的一端（四舍六入）
2. max取$\frac{24}{batchsize}$和1之间的最大值

我将$batch\_size$设为12，因此accumulate为2，意味着梯度累积次数为2

如何梯度累积？

from torch.cuda import amp

这里提出了一个amp混合精度训练的知识，参考：
PyTorch 源码解读之 torch.cuda.amp: 自动混合精度详解

对混合精度需要了解FP16和FP32的解释：

• 彻底搞懂float16与float32的计算方式
• 【PyTorch】唯快不破：基于Apex的混合精度加速

            losses *= 1. / accumulate  # scale loss

        # backward
        scaler.scale(losses).backward()
        # optimize
        # 每训练64张图片更新一次权重
        if ni % accumulate == 0:
            scaler.step(optimizer)
            scaler.update()
            optimizer.zero_grad()

losses为一次batch求出的loss值
乘以$\frac{1}{accumulate}$得本次累积loss的占比
scaler.scale(losses).backward()放大loss梯度，并且累积这次的梯度信息
scaler.step(optimizer)将本次放大的梯度，放缩回来
scaler.update()检查是否需要梯度放大

optimizer.zero_grad()正常更新权重