torch.autograd.backward¶
- torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False, grad_variables=None, inputs=None)[source]¶
计算给定张量相对于图叶节点的梯度之和。
使用链式法则对图进行微分。如果任何
tensors
为非标量(即其数据包含多个元素)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,包含雅可比-向量积中的“向量”,通常是微分函数相对于对应张量的梯度(对于不需要梯度张量的所有张量,None
是一个可接受的值)。此函数在叶节点中累积梯度 - 您可能需要在调用它之前将
.grad
属性清零或将其设置为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
使用此方法且
create_graph=True
将在参数及其梯度之间创建一个引用循环,这可能导致内存泄漏。我们建议在创建图时使用autograd.grad
以避免这种情况。如果必须使用此函数,请确保在使用后将参数的.grad
字段重置为None
以断开循环并避免泄漏。注意
如果在用户指定的 CUDA 流上下文环境中运行任何前向运算、创建
grad_tensors
和/或调用backward
,请参阅反向传递的流语义。注意
当提供
inputs
并且给定输入不是叶节点时,当前实现将调用其 grad_fn(即使严格来说不需要获取这些梯度)。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
grad_tensors (Sequence[Tensor or None] or Tensor, optional) – 雅可比-向量积中的“向量”,通常是相对于对应张量中每个元素的梯度。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, optional) – 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,将此选项设置为True
都是不需要的,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, optional) – 如果
True
,则将构建导数的图,允许计算更高阶的导数积。默认为False
。输入(Sequence[张量] 或 张量 或 Sequence[梯度边],可选) – 将要累积梯度的输入,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
的所有叶子张量中。