torch.Tensor.backward

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

計算當前張量相對於計算圖葉節點的梯度。

使用鏈式法則計算圖的微分。如果張量是非標量（即其資料包含多個元素）且需要梯度，則函式還需要額外指定一個 gradient。它應該是一個與 self 型別和形狀匹配的張量，表示被微分函式相對於 self 的梯度。

此函式在葉節點處累積梯度——您可能需要在呼叫此函式之前將 .grad 屬性歸零或設定為 None。有關累積梯度記憶體佈局的詳細資訊，請參閱 預設梯度佈局。

注意

如果在使用者指定的 CUDA 流上下文中執行任何前向操作、建立 gradient 和/或呼叫 backward，請參閱 反向傳播的流語義。

注意

當提供了 inputs 並且給定輸入不是葉節點時，當前實現將呼叫其 grad_fn（儘管嚴格來說獲取這些梯度並不需要這樣做）。這是一個實現細節，使用者不應該依賴它。更多詳細資訊，請參閱 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

引數

• gradient (Tensor，可選) – 被微分函式相對於 self 的梯度。如果 self 是標量，則可以省略此引數。

• retain_graph (bool，可選) – 如果為 False，則用於計算梯度的計算圖將被釋放。請注意，在幾乎所有情況下，將此選項設定為 True 都是不必要的，並且通常可以透過更有效的方式解決。預設為 create_graph 的值。

• create_graph (bool，可選) – 如果為 True，則將構建導數的計算圖，從而可以計算更高階導數。預設為 False。

• inputs (Tensor 序列，可選) – 相對於其累積梯度到 .grad 的輸入。所有其他張量將被忽略。如果未提供，則梯度將累積到用於計算 tensors 的所有葉節點張量中。