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子的梯度。

该图使用链式法则进行微分。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。它应该是匹配类型和形状的张量，表示微分函数相对于 self 的梯度。

此函数在叶子中累积梯度 - 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 和/或调用 backward，请参阅 反向传播的流语义。

注意

当提供 inputs 且给定输入不是叶子时，当前实现将调用其 grad_fn（尽管严格来说不需要获取此梯度）。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 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

参数

• gradient (Tensor, 可选) – 被微分的函数相对于 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，则用于计算梯度的图将被释放。请注意，在几乎所有情况下，都不需要将此选项设置为 True，并且通常可以用更有效的方式来解决。默认为 create_graph 的值。

• create_graph (bool, 可选) – 如果为 True，则将构建导数的图，从而可以计算更高阶的导数乘积。默认为 False。

• inputs (Tensor 序列, 可选) – 相对于这些输入，梯度将被累积到 .grad 中。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。