torch.Tensor.backward

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

計算目前張量對於圖葉的梯度。

此圖使用鏈式法則進行微分。如果張量是非純量（即其資料有多個元素）且需要梯度，則該函式還需要指定一個 gradient。它應該是一個與類型和形狀相符的張量，表示關於 self 的微分函式的梯度。

此函式會在葉節點中累積梯度 - 在呼叫它之前，您可能需要將 .grad 屬性歸零或將它們設定為 None。有關累積梯度的記憶體佈局的詳細資訊，請參閱 預設梯度佈局。

注意

如果您在使用者指定的 CUDA 串流上下文中執行任何前向運算、建立 gradient 和/或呼叫 backward，請參閱 反向傳播的串流語義。

注意

當提供 inputs 且給定的輸入不是葉節點時，目前實作將呼叫其 grad_fn（儘管嚴格來說不需要取得此梯度）。這是一個實作細節，使用者不應依賴它。有關更多詳細資訊，請參閱 https://github.com/pytorch/pytorch/pull/60521#issuecomment-867061780。

參數

• gradient (Tensor, optional) – 關於 self 的微分函式的梯度。如果 self 是一個純量，則可以省略此引數。

• retain_graph (bool, optional) – 如果 False，則用於計算梯度的圖將被釋放。請注意，在幾乎所有情況下，都不需要將此選項設定為 True，而且通常可以用更有效的方式來解決。預設為 create_graph 的值。

• create_graph (bool, optional) – 如果 True，則將建構導數的圖，允許計算更高階的導數乘積。預設為 False。

• inputs (sequence of Tensor, optional) – 梯度將被累積到 .grad 中的輸入。所有其他張量將被忽略。如果未提供，則梯度將被累積到用於計算 tensors 的所有葉節點張量中。