torch.Tensor.backward

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

计算当前张量相对于计算图叶节点的梯度。

使用链式法则计算图的微分。如果张量是非标量（即其数据包含多个元素）且需要梯度，则函数还需要额外指定一个 gradient。它应该是一个与 self 类型和形状匹配的张量，表示被微分函数相对于 self 的梯度。

此函数在叶节点处累积梯度——您可能需要在调用此函数之前将 .grad 属性归零或设置为 None。有关累积梯度内存布局的详细信息，请参阅 默认梯度布局。

注意

如果在用户指定的 CUDA 流上下文中运行任何前向操作、创建 gradient 和/或调用 backward，请参阅 反向传播的流语义。

注意

当提供了 inputs 并且给定输入不是叶节点时，当前实现将调用其 grad_fn（尽管严格来说获取这些梯度并不需要这样做）。这是一个实现细节，用户不应该依赖它。更多详细信息，请参阅 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

参数

• gradient (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 (bool，可选) – 如果为 False，则用于计算梯度的计算图将被释放。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。默认为 create_graph 的值。

• create_graph (bool，可选) – 如果为 True，则将构建导数的计算图，从而可以计算更高阶导数。默认为 False。

• inputs (Tensor 序列，可选) – 相对于其累积梯度到 .grad 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 的所有叶节点张量中。