### PyTorch中梯度计算的代码示例 以下是一个完整的PyTorch梯度计算示例，展示了如何定义张量、计算函数值以及通过反向传播计算梯度[^1]。 ```python import torch # 创建一个需要计算梯度的张量 x = torch.tensor(3.0, requires_grad=True) # 定义一个函数 def f(x): return x ** 2 + 2 * x + 1 # 计算函数值 y = f(x) # 反向传播，计算梯度 y.backward() # 打印梯度 print(x.grad) # 输出：tensor(8.) ``` 上述代码中，`requires_grad=True` 表示该张量需要跟踪其计算历史以支持自动微分。调用 `backward()` 方法后，`x.grad` 将存储关于 `x` 的梯度值[^1]。 在更复杂的场景中，可以通过分离计算图避免不必要的梯度传播。例如，使用 `detach()` 方法可以创建一个新的张量，该张量与原始张量共享数据但不参与梯度传播[^2]。 ```python import torch # 定义张量 x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True) # 定义计算 y = x * 2 z = y.detach() # 分离 z，使其不再参与反向传播 # 进一步计算 w = z ** 2 # 反向传播 w.sum().backward() # 打印梯度 print("x 的梯度：", x.grad) # 输出：tensor([2., 4., 6.]) ``` 在这个例子中，`z` 被从计算图中分离出来，因此后续对 `w` 的操作不会影响到 `y` 的梯度计算[^2]。 对于更复杂的损失函数，可以通过传递一个权重向量来计算加权梯度[^4]。 ```python import torch # 创建可训练参数的张量 x = torch.tensor([5.], requires_grad=True) # 定义损失函数 loss = x ** 2 # 反向传播 loss.backward() # 获取梯度值 gradient = x.grad print(gradient) # 输出：tensor([10.]) ``` 如果需要计算加权梯度，可以传递一个权重向量给 `backward()` 方法： ```python import torch # 创建可训练参数的张量 x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True) # 定义函数 y = x ** 2 # 定义加权向量 v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float) # 反向传播，计算加权梯度 y.backward(v) # 打印梯度 print(x.grad) # 输出：tensor([0.2000, 4.0000, 0.0006]) ``` 此代码片段展示了如何通过传递权重向量来计算特定方向上的梯度[^4]。 ###