torch.Tensor.backward

Tensor.backward(gradient=None, retain_graph=None, create_graph=False, inputs=None)

计算当前张量相对于图叶的梯度。

该图使用链式法则进行微分。如果张量不是标量（即其数据包含多个元素）且需要梯度，则该函数还需要指定 gradient。它应是一个类型和位置匹配的张量，包含相对于 self 的微分函数的梯度。

此函数在叶子节点中累积梯度 - 您可能需要在调用它之前将 .grad 属性归零或将其设置为 None。 有关累积梯度的内存布局的详细信息，请参阅 默认梯度布局。

注意

如果你在用户指定的CUDA流上下文中运行任何前向操作，创建梯度，和/或调用反向传播，请参阅 反向传播的流语义。

注意

当提供了inputs并且给定的输入不是叶子节点时， 当前的实现将调用其grad_fn（尽管严格来说不需要这样做来获取这些梯度）。 这是一个实现细节，用户不应依赖于此。 有关更多详细信息，请参见https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

Parameters

• 梯度 (张量 或 无) – 相对于张量的梯度。如果它是一个张量，它将被自动转换为一个不需要梯度的张量，除非 create_graph 为真。对于标量张量或不需要梯度的张量，可以指定无值。如果无值可以接受，则此参数是可选的。

• retain_graph (bool, 可选) – 如果False，用于计算梯度的图将被释放。请注意，在几乎所有情况下，将此选项设置为True是不必要的，通常可以通过更有效的方式解决。默认为create_graph的值。

• create_graph (bool, 可选) – 如果True，将构建导数的图，允许计算高阶导数乘积。默认为False。

• 输入（序列的张量）—— 相对于这些输入的梯度将被累积到 .grad 中。所有其他张量将被忽略。如果没有提供，梯度将被累积到所有用于计算 attr::tensors 的叶子张量中。