torch.autograd.backward

torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False, grad_variables=None, inputs=None)

计算给定张量相对于图叶子节点的梯度之和。

使用链式法则对图进行微分。如果 tensors 中的任何一个是非标量（即其数据具有多个元素）并且需要梯度，那么将计算雅可比向量积，在这种情况下，函数还需要指定 grad_tensors。它应该是一个匹配长度的序列，其中包含雅可比向量积中的“向量”，通常是微分函数相对于相应张量的梯度（对于所有不需要梯度张量的 None 是可接受的值）。

此函数会累积叶子节点的梯度，您可能需要在使用前将 .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

将此方法与 create_graph=True 一起使用会创建参数及其梯度之间的引用循环，这可能导致内存泄漏。我们建议在创建图时使用 autograd.grad 来避免此问题。如果您必须使用此函数，请确保在使用后将参数的 .grad 字段重置为 None 以打破循环并避免泄漏。

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 grad_tensors 和/或调用 backward，请参阅 后向流语义。

注意

当提供了 inputs 并且给定的输入不是叶子节点时，当前实现将调用其 grad_fn（即使获取此梯度并非严格必需）。这是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

• tensors (Sequence[Tensor] or Tensor or Sequence[GradientEdge] or GradientEdge) – 将计算其导数的张量。

• grad_tensors (Sequence[Tensor or None] or Tensor, optional) – 雅可比向量积中的“向量”，通常是相对于相应张量元素的梯度。对于标量张量或不需要梯度的张量，可以使用 None 值。如果所有 grad_tensors 都可以接受 None 值，则此参数是可选的。

• retain_graph (bool, optional) – 如果为 False，则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 并不是必需的，并且通常可以通过更有效的方式来规避。默认为 create_graph 的值。

• create_graph (bool, optional) – 如果为 True，将构建导数的图，从而允许计算更高阶的导数乘积。默认为 False。

• inputs (Sequence[Tensor] or Tensor or Sequence[GradientEdge], optional) – 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，则梯度会累积到用于计算 tensors 的所有叶子张量中。