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的梯度之和。

该图使用链式法则进行微分。如果 tensors 中的任何张量是非标量（即它们的数据包含多个元素）并且需要梯度，则将计算雅可比向量积，在这种情况下，该函数还需要指定 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（None 对于所有不需要梯度张量的张量都是可接受的值）。

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

将此方法与 create_graph=True 一起使用会在参数及其梯度之间创建循环引用，这可能会导致内存泄漏。我们建议在创建图时使用 autograd.grad 以避免这种情况。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，请参阅反向传播的流语义。

注意

当提供 inputs 且给定的输入不是叶子时，当前实现将调用其 grad_fn（即使严格来说不需要获得此梯度）。这是一个实现细节，用户不应依赖它。有关更多详细信息，请参阅 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

参数

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

• grad_tensors (Sequence[Tensor 或 None] 或 Tensor, 可选) – 雅可比向量积中的“向量”，通常是相对于相应张量的每个元素的梯度。对于标量张量或不需要梯度的张量，可以指定 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, 可选) – 如果 False，则将释放用于计算梯度的图。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解决。默认为 create_graph 的值。

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

• inputs (Sequence[Tensor] 或 Tensor 或 Sequence[GradientEdge], 可选) – 梯度将累积到 .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。