在pytorch中，用backward法自动求取梯度1、区分原始殷勤花瓣和结果殷勤花瓣2、backward (用法自动求取梯度2.1、结果殷勤花瓣为一维殷勤花瓣2.2、结果殷勤花瓣
1、区分源殷勤花瓣和结果殷勤花瓣x=torch.arange (-8.0，8.0，0.1，requires_grad=True ) y=x.relu )
x是殷勤的花瓣，根据源殷勤的花瓣x得到的殷勤的花瓣y，结果是殷勤的花瓣。
2、如何backward ) )方法自动求梯度标量调用backward ) )方法时，根据链式法则自动计算出出处殷勤的花瓣梯度值。
2.1、结果殷勤的花瓣是一维殷勤的花瓣，就是基于以上例子。 也就是说，将一维殷勤的花瓣y变换为标量后，通过调用backward ()方法，可以自动计算出x的梯度值。
那么，如何将一维殷勤的花瓣y变成标量呢？
一般来说，是通过将y.sum ()这一维殷勤的花瓣y相加来实现的。
一维殷勤花瓣是一个向量，将一维殷勤花瓣求和等于该向量点乘以等维单位向量，使用求和得到的标量y.sum()对源殷勤的花瓣x求导和y的每个元素对x的每个元素求导的结果相同
因此，代码应如下所示：
y.sum ().backward ) x.grad 2.2，结果表明殷勤的花瓣为二维殷勤的花瓣或更高维的殷勤的花瓣。 结果变量y可能是二维殷勤花瓣或更高维殷勤花瓣。 在这种情况下，一般的点乘可以理解为等维单位的殷勤花瓣。 (点乘是向量中的概念，如此记述
y.Backward(Torch.Ones_like(y ) ) grad_Tensors=Torch.Ones_like ) y ) x.grad参见Pytorch autograd，backward