pytorch中张量对张量的梯度求解:backward方法的gradient参数详解

一、问题起源：
阅读《python深度学习：基于pytorch》这本书的tensor 与Autograd一节时，看到2.5.4非标量反向传播

二、疑点在于：

backward(gradient=)这一参数没有理由的就选择了(1,1)，之后调整为(1,0)和(0,1)便能正确求解，对该参数的设置原理，反向梯度求解的过程没有说清楚。

三、分析过程：

看完博客https://www.cnblogs.com/zhouyang209117/p/11023160.html 

便确认gradient这一参数的设置应该是根据使用者的需求，比如说设置为(1,0)就正好求得y1对x的导数。

但是两者的求解过程不一致，书中=J的转置*V的转置，但是博客中假设的是V*J ，其实解释的原理都是一样的 ，就是希望设置V来分别在y的不同分量上求得对x的导数，然后组合向量，获得最终y对于x的导数。

虽然求解过程，但各偏导值是一致的。

书中x.grad = [[6,9]],但是博客中只有x1,x2,x3的梯度值，即便将代码改为对x求导，结果x.grad=None

x = torch.tensor([1,2,3],requires_grad=True, dtype=torch.float)

y.backward(torch.tensor([1, 1, 1], dtype=torch.float))

print(x.grad)  # No