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。

图的微分使用链式法则。如果张量不是标量（即其数据有多个元素）且需要求导，函数还需要指定一个 gradient 。它应该是一个与类型和形状匹配的张量，表示微分函数相对于 self 的梯度。

此函数在叶节点中累积梯度 - 在调用之前，您可能需要将 .grad 属性清零或将它们设置为 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

如果您运行任何前向操作，请创建 gradient ，并在用户指定的 CUDA 流上下文中调用 backward ，有关反向传播的流语义，请参阅。

注意

当提供了 inputs 并且给定的输入不是叶子节点时，当前实现将调用其 grad_fn（尽管获取这些梯度并不严格需要）。这是实现细节，用户不应依赖。有关详细信息，请参阅 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

参数:

• 梯度（Tensor，可选）- 被微分函数相对于 self 的梯度。如果 self 是标量，则可以省略此参数。

• retain_graph（布尔值，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 通常是不必要的，并且通常可以通过更有效的方式解决。默认值为 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。默认值为 False 。

• 输入（序列中的张量，可选）- 与之相关的梯度将累积到 .grad 。所有其他张量将被忽略。如果没有提供，则梯度将累积到用于计算 tensors 的所有叶张量中。