pytorch小记（五）：pytorch中的求导操作：backward（）
- 完整代码
- [代码 1](#代码 1)
- [代码 2](#代码 2)
- [代码 3](#代码 3)
- [代码 4](#代码 4)
- 代码的整体逻辑总结
- [补充：`requires_grad` 与 `backward` 的作用](#补充：
requires_grad与backward的作用) - 疑问
-
- 原因分析
- 如何解决
-
- [方法 1：通过 `.sum()` 转为标量](#方法 1：通过
.sum()转为标量) - [方法 2：通过 `.mean()` 转为标量](#方法 2：通过
.mean()转为标量)
- [方法 1：通过 `.sum()` 转为标量](#方法 1：通过
- 高级用法：为非标量指定梯度权重
- 总结
完整代码
python
x = torch.tensor([[2., -1.], [1., 1.]], requires_grad=True)
print(x)
out = x.pow(2).sum()
print(out)
out.backward()
print(x.grad)
python
>>>
tensor([[ 2., -1.],
[ 1., 1.]], requires_grad=True)
tensor(9., grad_fn=<SumBackward0>)
tensor([[12., 3.],
[ 3., 3.]])让我们逐行详细分析代码的执行逻辑及其背后的原理。
代码 1
python
x = torch.tensor([[2., -1.], [1., 1.]], requires_grad=True)
print(x)解释
-
torch.tensor：- 创建一个二维张量
x，内容为[[2., -1.], [1., 1.]]。 - 数据类型为浮点数（
float32），因为传入的是小数。
- 创建一个二维张量
-
requires_grad=True：- 启用自动求导功能。
- 任何以
x为输入的张量计算图都会记录下来，用于后续的梯度计算。
-
结果 ：
打印张量
x：tensor([[ 2., -1.], [ 1., 1.]], requires_grad=True)
代码 2
python
out = x.pow(2).sum()
print(out)解释
-
x.pow(2)：- 计算
x的每个元素的平方。 - 张量的每个元素被逐元素计算： x i j 2 x_{ij}^2 xij2。
计算结果：
tensor([[4., 1.], [1., 1.]], requires_grad=True) - 计算
-
.sum()：- 对张量中所有元素求和，计算结果为：
4 + 1 + 1 + 1 = 7 4 + 1 + 1 + 1 = 7 4+1+1+1=7 requires_grad=True表示out依赖于x，可以反向传播。
- 对张量中所有元素求和，计算结果为：
-
结果 ：
打印
out：tensor(7., grad_fn=<SumBackward0>)grad_fn=<SumBackward0>表示这是通过sum()操作计算得出的，反向传播时会回溯到这个操作。
代码 3
python
out.backward()解释
-
out.backward()：- 对
out调用.backward()会计算x的梯度。 - 梯度的计算目标 ：计算
out对x的偏导数，即 ∂ out ∂ x \frac{\partial \text{out}}{\partial x} ∂x∂out。
- 对
-
计算过程：
-
out = x.pow(2).sum()，展开公式为：
out = x 11 2 + x 12 2 + x 21 2 + x 22 2 \text{out} = x_{11}^2 + x_{12}^2 + x_{21}^2 + x_{22}^2 out=x112+x122+x212+x222 -
对
x_{ij}求偏导：
∂ out ∂ x i j = 2 ⋅ x i j \frac{\partial \text{out}}{\partial x_{ij}} = 2 \cdot x_{ij} ∂xij∂out=2⋅xij -
每个元素的梯度计算结果：
[[2 * 2., 2 * -1.], [2 * 1., 2 * 1.]] -
结果为：
[[ 4., -2.], [ 2., 2.]]
-
-
梯度存储：
- 计算出的梯度会存储在
x.grad中。
- 计算出的梯度会存储在
代码 4
python
print(x.grad)解释
- 打印
x的梯度，即x.grad。 x.grad包含了之前通过.backward()计算的梯度值。
结果：
tensor([[ 4., -2.],
[ 2., 2.]])代码的整体逻辑总结
-
初始化张量：
pythonx = torch.tensor([[2., -1.], [1., 1.]], requires_grad=True)创建一个二维张量，并启用梯度跟踪。
-
前向计算：
pythonout = x.pow(2).sum()计算
x的平方和，得到标量out。 -
反向传播：
pythonout.backward()自动计算
out对x的梯度，结果存储在x.grad中。 -
打印梯度：
pythonprint(x.grad)查看
x的梯度，其值为：[[ 4., -2.], [ 2., 2.]]这表明
out对x的变化率是该梯度值。
补充：requires_grad 与 backward 的作用
requires_grad=True：- 启用张量的自动求导功能，参与计算的操作会记录到计算图中。
backward()：- 执行反向传播，沿着计算图回溯并计算梯度。
- 梯度存储在
x.grad中，用于优化或调试。
疑问
在 PyTorch 中，out.backward() 是用来计算张量的梯度的操作。然而，当调用 backward() 时，输出张量必须是标量（即只有一个数值）。如果输出张量不是标量，就会引发以下错误：
RuntimeError: grad can be implicitly created only for scalar outputs原因分析
-
标量输出的要求：
backward()会计算输入张量（如x）对输出张量（如out）的梯度。- 如果输出张量是标量（0 维张量），梯度是输入张量的每个元素对这个标量的偏导数，梯度张量的形状与输入张量一致。
例子：
pythonout = x.pow(2).sum() out.backward()- 这里
out是一个标量，因此可以计算梯度。
-
非标量输出的情况：
-
如果输出张量是多维的，例如
x.pow(2)的结果：pythonout = x.pow(2)out的形状是(2, 2)：tensor([[4., 1.], [1., 1.]], requires_grad=True) -
这种情况下，
backward()不知道如何将梯度传播到输入张量x，因为输出张量的每个元素都可能有不同的梯度。
-
如何解决
如果想对多维张量调用 backward()，需要将其 转换为标量，例如通过求和或取均值。
方法 1：通过 .sum() 转为标量
python
out = x.pow(2).sum() # 转为标量
out.backward()方法 2：通过 .mean() 转为标量
python
out = x.pow(2).mean() # 转为标量
out.backward()高级用法：为非标量指定梯度权重
如果你需要对非标量张量调用 backward()，可以通过 out.backward(gradient=...) 指定梯度权重，告诉 PyTorch 如何将梯度聚合到输入张量。
示例
python
out = x.pow(2) # 非标量张量，形状为 (2, 2)
gradient = torch.ones_like(out) # 权重张量，形状必须与 out 相同
out.backward(gradient=gradient)解释：
gradient=...指定了out每个元素在反向传播中的权重。- 例如，对于 o u t = x 2 out = x^2 out=x2，若
gradient=1，梯度仍然是 ∂ o u t ∂ x = 2 x \frac{\partial out}{\partial x} = 2x ∂x∂out=2x。
总结
backward()要求输出必须是标量，否则会报错。- 可以通过
.sum()或.mean()将多维张量转换为标量。 - 对于特殊情况，可以使用
backward(gradient=...)指定非标量输出的梯度权重。