pytorch学习第三篇：梯度

下面介绍了在pytorch中如何进行梯度运算，并介绍了在运行梯度计算时遇到的问题，通过解决一个个问题，来深入理解梯度计算。

梯度计算

import torch
x = torch.rand(3,4,requires_grad=True)
b = torch.rand(4,3,requires_grad=True)
print(x,b)

y = x@b

t = y.sum()

求导数

t.backward()
x.grad

问题1：

让y运行backward方法

y.backward()

会报错

RuntimeError: grad can be implicitly created only for scalar outputs

为什么会这样呢？
因为y为是多维张量，在pytorch中不允许张量对张量求导，只允许标量对张量求导。正如上面粒子，x为3x4矩阵，b为4x3矩阵，x与b矩阵相乘，得到3x3的矩阵y，如果对y求导，那么x的导数该怎么求呢，x为3x4矩阵，而y为3x3。这是简单例子，如果到更高维度又该如何，干脆不允许多维张量求导。那么该怎么对y求导，定义一个与y同维度的张量w，再运行y.backward(w)那么便可以。而y.backward(w)函数是如何做的呢？先计算L = torch.sum(y * w)，而L为标量，然后再用L对自变量x求导。

问题2：

在运行y.backward(w)时，遇到了这个问题

Trying to backward through the graph a second time (or directly access saved tensors after they have already been freed). Saved intermediate values of the graph are freed when you call .backward() or autograd.grad(). Specify retain_graph=True if you need to backward through the graph a second time or if you need to access saved tensors after calling backward.

原因：

为了减少内存使用，在.backward()调用过程中，所有中间结果在不再需要时都会被删除。因此，如果您尝试再次调用.backward()，中间结果不存在，并且无法执行向后传递（并且您会收到您所看到的错误）。
您可以调用.backward(retain_graph=True)进行向后传递，这不会删除中间结果，因此您将能够.backward()再次调用。除了最后一次向后调用之外的所有调用都应该有这个retain_graph=True选项。

所以我们在第一次调用backward加入retain_graph=True

t.backward(retain_graph=True)

问题3：

当我们运行时，梯度是累加的，如何清空之前的累加呢？用下面方法

x.grad.data.zero_()