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区分。如果张量是非标量（即其数据包含多个元素）并且需要梯度，则该函数还需要指定一个 gradient。它应该是与 self 具有匹配类型和形状的张量，代表被微分函数相对于 self 的梯度。

此函数会累积叶节点的梯度 — 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

如果您在用户指定的 CUDA 流上下文中运行任何前向操作、创建 gradient 以及/或调用 backward，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节点时，当前实现将调用其 grad_fn（尽管为了获得该梯度，这并不是严格必需的）。这是一个用户不应依赖的实现细节。有关更多详细信息，请参阅 pytorch/pytorch#60521。

参数

• gradient (Tensor, optional) – 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。默认为 None。

• retain_graph (bool, optional) – 如果为 False，则用于计算梯度的图将被释放；如果为 True，则将被保留。默认为 None，在这种情况下，该值是从 create_graph 推断的（即，只有在请求更高阶导数跟踪时才会保留图）。请注意，在几乎所有情况下，将此选项设置为 True 都是不必要的，并且通常可以通过更有效的方式解决。

• create_graph (bool, optional) – 如果为 True，将构建导数的图，从而能够计算更高阶的导数积。默认为 False。

• inputs (Sequence[Tensor], optional) – 将在其上将梯度累积到 .grad 中的输入。所有其他张量将被忽略。如果未提供，则梯度将累积到用于计算 tensors 的所有叶张量中。默认为 None。