pytorch学习 -- 反向传播backward

入门学习pytorch，在查看pytorch代码时对autograd的backard函数的使用和具体原理有些疑惑，在查看相关文章和学习后，简单说下我自身的理解：

backward函数属于torch.autograd函数库，在深度学习过程中对函数进行反向传播，计算输出变量关于输入变量的梯度。其输入变量自然应满足autograd 的要求，为Variable类型而不是tensor类型。

常见的使用方法为：

y.backward()

此时分为两种情况，当y为标量时，对y进行反向传播则不需要任何输入变量，个人理解是即默认此时y为网络输出的最后一层，其再没有上一层变量关于其的梯度了（因为为标量）。当y为非标量Variable类型时，根据pytorch中文官网的介绍，“backward的输入参数是 此operation的输出的值的梯度，backward的返回值是此operation输入值的梯度。”，对于这句话，我个人的理解是因为输出仍未非标量，所以其还在传播过程中，pytorch需要知道该变量上一级关于其的梯度，我们不妨设上一级的变量为L，我们神经网络的链式法则为：

可见，最终x的梯度即又上面的公式得出，dL/dy即是我们需要给定的backward函数的输入，dy/dx可由函数直接算出。

ok，举个简单的例子：

运行结果：

由提到的公式可以得到，

x.grads 为 dL/dy*dy/dx = [1,2,3,4,5]*2*x, 结果正如所料。

PS：

1.关于求梯度，只有我们定义的Variable的梯度会被放在 .grad 属性中，其余 Variable 的梯度不会被保存在 .grad 属性中

2.自己定义Variable的时候，记得Variable(Tensor, requires_grad = True),这样才会被求梯度，不然的话，是不会求梯度的