推荐答案
在 PyTorch 中，backward() 方法用于自动计算梯度。以下是一个简单的示例：
-- -------------------- ---- ------- ------ ----- - --------- ------------------ ----- - - ----------------- ------------------- - ------- - - ---- - --- - - - -- ---------- ------ ------------ - ---- ------------- - --- ----------
在这个例子中，y 是 x 的函数，y.backward() 会计算 y 对 x 的梯度，并将结果存储在 x.grad 中。
本题详细解读
1. 创建张量并设置 requires_grad=True
在 PyTorch 中，张量的 requires_grad 属性用于指示是否需要计算该张量的梯度。默认情况下，requires_grad 是 False。如果设置为 True，PyTorch 会跟踪所有与该张量相关的操作，以便后续计算梯度。
x = torch.tensor(2.0, requires_grad=True)
2. 定义计算图
在 PyTorch 中，计算图是通过张量之间的操作动态构建的。在这个例子中，y 是 x 的函数，计算图如下：
y = x**2 + 3*x + 1
3. 使用 backward() 方法计算梯度
backward() 方法用于自动计算梯度。它会从调用该方法的张量（通常是损失函数）开始，沿着计算图反向传播，计算每个需要梯度的张量的梯度。
y.backward()
4. 访问梯度
计算完成后，梯度会存储在对应张量的 .grad 属性中。在这个例子中，x.grad 会存储 y 对 x 的梯度。
print(x.grad) # 输出: tensor(7.)
5. 梯度计算的具体过程
在这个例子中，y = x**2 + 3*x + 1，所以 y 对 x 的导数是 2*x + 3。当 x = 2.0 时，导数为 2*2 + 3 = 7，因此 x.grad 的值为 7.0。
6. 注意事项
backward()方法通常用于标量张量。如果y是一个向量或矩阵，需要传递一个与y形状相同的张量作为gradient参数。- 每次调用
backward()后，梯度会累积在.grad属性中。如果不需要累积梯度，可以在每次反向传播前调用x.grad.zero_()来清零梯度。