3个问题：
chainer中的grad_outputs是什么？
chainer函数F.transpose中的一个例子，如何解释这个后向代码？
向后def（自我，输入，grad_outputs）： gy = grad_outputs [0] inv_axes = self.axes 如果self.axes： axes = tuple（ax.inx.axes中ax的ax％len（self.axes）） inv_axes = tuple（numpy.argsort（axes）） gx = gy.transpose（inv_axes） 返回gx，
假设我想要实现自定义函数，但我的输入[0]和输入[1]具有不同的形状，为了使用差分链规则反向传播，我必须在{{1}中编写以下代码}：
a，b =输入
gy = grad_outputs [0]
返回一个* gy，b * gy
但是，a和b的形状不同，backward和a * gy可能会报告错误？形状不匹配乘以？
答案 0 :(得分：0)
*此答案适用于chainer v2， Function类的内部行为可能会在chainer v3 之后发生变化，以支持可区分的反向传播。
反向传播从最后一层进行到第一层传播其渐变，以便计算每层参数的梯度。
函数的backward函数接收输出的梯度，需要计算＆amp;返回输入梯度。
grad_outputs是此函数输出的渐变，以数组（numpy或cupy）格式显示。F.transpose的区分也只是一个转置，所以它只是返回输出渐变的转置，gy。
然而，严格地说，当我们转发计算时指定F.transpose的转置顺序，此顺序保持为self.axes，并且在向后计算中需要反向排序。我猜inv_axes是反向排序的轴，它用于计算输入的梯度，写为gx。return a * gy, b * gy。形状无关紧要，每个函数的输入可能不同（以及backward的返回值）