torch.Tensor.backward

Tensor.backward(gradient=None, retain_graph=None, create_graph=False, inputs=None)[源代码]

计算当前张量相对于图中叶子节点的梯度。

使用链式法则对图进行求导。如果张量是非标量（即其数据包含多个元素）并且需要计算梯度，则该函数还需要指定一个gradient参数。这个参数应该是一个与原张量类型和形状相匹配的张量，表示相对于self的求导结果的梯度。

此函数会在叶子节点中累积梯度 - 在调用之前，你需要将.grad属性设置为零或None。有关累积梯度的内存布局详情，请参见默认梯度布局。

注意

如果你在用户指定的CUDA流上下文中执行任何前向操作、创建gradient，或调用backward，请参阅反向传递的流语义。

注意

当提供inputs且给定输入不是叶子节点时，当前实现会调用其grad_fn（实际上不需要这样做来获取梯度）。这是用户不应依赖的内部实现细节。更多详情请参见https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

参数

• gradient (Tensor, optional) – 被微分函数相对于 self 的梯度。如果 self 是标量，则此参数可以省略。

• retain_graph (bool, optional) – 如果为 False，用于计算梯度的图将被释放。注意，在绝大多数情况下设置此选项为 True 是不必要的，并且通常可以使用更有效的方法来解决该问题。默认值与 create_graph 的值相同。

• create_graph (bool, 可选) – 如果设置为 True，将构建导数的图，从而可以计算更高阶的导数乘积。默认值为 False。

• inputs (张量序列, 可选) – 相对于这些输入，将梯度累加到 .grad 中。所有其他张量将被忽略。如果没有提供，则梯度会累积到所有用于计算 tensors 的叶子张量中。