pytorch中的loss.backward()和optimizer.step()中的使用的梯度方向问题

# 举例：梯度下降更新模型参数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 在每个训练步骤中
optimizer.zero_grad()  # 清零梯度
output = model(input)
loss = loss_function(output, target)
loss.backward()       # 计算梯度
optimizer.step()       # 更新模型参数（沿着梯度的负方向）

在这个例子中，loss.backward() 计算的梯度方向是损失函数上升的方向，而 optimizer.step() 则使用了梯度的负方向来更新模型参数。