y=wx的反向传播代码实现importtorchx _ data=[ 1.0，2.0，3.0 ] y _ data=[ 2.0，4.0， 6.0]#w是Tensor(TSDyl类型)，tensor中包含data和gra ATA # grad最初为None，调用l.backward ()方法时w.grad为tensor，因此w 如果#w需要计算坡度，则在构建的计算图中，默认情况下与w相关联的tensor需要计算坡度。 w=torch.tensor([1.0] ) #True :坡度w.requires _ grad=true def forward (x ) x ) : return x * w#计算def loss(x y ) : y _ pred=前向(4(x )返回) *(*(y_pred-y ) * ) y_pred-y ) print ('训练前：'，4，前向) y_data ) : l=自动计算需要loss (x，y )坡度的地方，并存储在#w中。 #l.backward ) )求出计算图表中需要坡度的所有地方，#然后将坡度全部存储在相应的需要求出的参数中，最终释放计算图表。 l.backward(print )、#grad: )、x、y、w.grad.item ) (grad为修改后的w权重) #data转换为标量，tsdyl计算不发生自动类型转换不需要清零w.grad.data.zero_ () print ('，处理轮数：'，epoch，l.item ) )、训练后：'，前向2.0，3.0 ] y _ data=[ 2.0，4.0， 6.0 )学习率learn_rate=0.01#True :坡度w1=torch.tensor([1.0] ) w1.requires _ grad=true w2=torch.tensor [ 1. 需要计算的b.requires _ grad=truedefforward (x ) : return w1*x w2*x bdef loss(x ) x，y ) : y_test=forward(x forward(4).item ) (forepochinrange ) 100 ) : for x，yinzip ) y_data，y_data ) : #损耗函数原型L=loss(x， y ) ) )方法通过获得一个元素tsdyl中的元素值print(grad: )、x、y、w1.grad.item (w2.grad.item ) )来获取b 完成网络反向传播的链式求导)过程通过输入的tensor数据类型变量在神经网络的前向传播中生成计算图，#根据该计算图和输出结果准确计算每个参数需要更新的梯度，并返回缓冲区#实际上，使用autograd包的variable类进行封装。 封装后，计算图表中的每个节点都是variable对象。 因此，如果选定节点用x表示，则X.data为tensor数据对象，而X.grad为x坡度对象。 X.grad.data是x的坡度数据值w1.data=w1.data-learn _ rate * w1.grad.data w2.data=w2.data-learn _ rate * w2 .