在pytorch
y.backward([0.1, 1.0, 0.0001])的含义是什么？
我理解y.backward()意味着做反向传播。
但是[0.1, 1.0, 0.0001]中y.backward([0.1, 1.0, 0.0001])的含义是什么？
答案 0 :(得分：2)
表达式apiVersion: 1
deleteDatasources:
- name: NameOfDataSource
orgId: 1
datasources:
- name: "NameOfDataSource"
type: "postgres"
access: "proxy"
url: "172.17.0.4:5432"
user: "usernamme"
password: "passwordOfUser"
database: "database"
basicAuth: false
isDefault: false
jsonData: {sslmode: "disable"}
readOnly: false
editable: true
实际上是错误的。它应该是y.backward([0.1, 1.0, 0.0001])，其中y.backward(torch.Tensor([0.1, 1.0, 0.0001]))是将计算导数的变量。
示例：
torch.Tensor([0.1, 1.0, 0.0001])此处x = Variable(torch.ones(2, 2), requires_grad=True)
y = (x + 2).mean()
y.backward(torch.Tensor([1.0]))
print(x.grad)
以及y = (x + 2)/4 dy/dx_i = 0.25以来x_i = 1.0。另请注意，y.backward(torch.Tensor([1.0]))和y.backward()是等效的。
如果你这样做：
y.backward(torch.Tensor([0.1]))
print(x.grad)
打印：
Variable containing:
1.00000e-02 *
2.5000 2.5000
2.5000 2.5000
[torch.FloatTensor of size 2x2]
只是0.1 * 0.25 = 0.025。所以，现在如果你计算：
y.backward(torch.Tensor([0.1, 0.01]))
print(x.grad)
然后打印：
Variable containing:
1.00000e-02 *
2.5000 0.2500
2.5000 0.2500
[torch.FloatTensor of size 2x2]
其中，dy/dx_11 = dy/d_x21 = 0.025和dy/dx_12 = dy/d_x22 = 0.0025。
查看backward()的函数原型。您可以考虑查看此example。
答案 1 :(得分：0)
首先，它不是y.backward([0.1, 1.0, 0.0001]，因为在pyTorch中，任何参数都应为Tensor。因此，正确的应该是y.backward(torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float))。
使用此处的链接检查文档autograd
第二，此torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)创建一个包含3个元素的1-d张量。代码y.backward(torch.tensor([0.1, 1.0, 0.0001])实际上是在与y计算向量乘积。
答案 2 :(得分：0)
这是输出为矢量时的自动分级。我们无法获得矢量的梯度，我们需要将此矢量转换为缩放器。梯度参数是将这个矢量转换为缩放器的权重。
例如，输入：x = [x1，x2，x3]和运算：y = 2 * x = [2 * x1,2 * x2,2 * x3]
然后，我们无法获得dy / dx。如果我们有y.backward（torch.tensor（[0.1,1,0.001]）），则意味着我们还有另一个变量： output = torch.sum（y * [0.1,1,0.001]）= 0.2 * x1 + 2 * x2 + 0.002 * x3。
然后，我们可以得到d（out）/ dx，并且d（out）/ dx将存储在x.grad中。在我们的示例中，x.grad = [d（out）/ dx1，d（out）/ dx2，d（out）/ dx3] = [0.2，2，0.002]。