optimizer.zero_grad()

传统的训练函数，一个batch是这么训练的：

for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)

    # 2. backward
    optimizer.zero_grad()   # reset gradient
    loss.backward()
    optimizer.step()            

过程：

• 获取loss:输入图像和标签，通过infer计算得到预测值，计算损失函数；
• optimizer.zero_grad()：清空过往梯度;
• loss.backward():反向传播，计算当前梯度;
• optimizer.step():根据梯度更新网络参数

简单的说就是进来一个batch的数据，计算一次梯度，更新一次网络，使用梯度累加是这么写的：

for i,(images,target) in enumerate(train_loader):
    # 1. input output
    images = images.cuda(non_blocking=True)
    target = torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)
    outputs = model(images)
    loss = criterion(outputs,target)

    # 2.1 loss regularization
    loss = loss/accumulation_steps   
    # 2.2 back propagation
    loss.backward()
    # 3. update parameters of net
    if((i+1)%accumulation_steps)==0:
        # optimizer the net
        optimizer.step()        # update parameters of net
        optimizer.zero_grad()   # reset gradient

过程：

• 获取loss:输入图像和标签，通过infer计算得到预测值，计算损失函数；
• loss.backward()反向传播，计算当前梯度;
• 多次循环步骤1-2，不清空梯度，使梯度累加在已有梯度上；
• 梯度累加了一定次数后，先optimizer.step()根据累计的梯度更新网络参数，然后optimizer.zero_grad()清空过往梯度，为下一波梯度累加做准备；

总结来说：梯度累加就是，每次获取1个batch的数据，计算1次梯度，梯度不清空，不断累加，累加一定次数后，根据累加的梯度更新网络参数，然后清空梯度，进行下一次循环。

一定条件下，batchsize越大训练效果越好，梯度累加则实现了batchsize的变相扩大，如果accumulation_steps为8，则batchsize"变相"扩大了8倍，学习率也要适当放大。