### 如何在 PyTorch 中获取输出变量的梯度 在 PyTorch 中，`autograd` 是实现自动微分的核心工具。它允许用户通过定义带有 `requires_grad=True` 的张量并调用 `.backward()` 方法来计算梯度。以下是具体的操作流程和示例代码。 #### 示例代码展示 以下是一个完整的代码示例，演示如何在 PyTorch 中获取输出变量相对于输入变量的梯度： ```python import torch # 定义一个可求导的张量 x = torch.tensor([2.0], requires_grad=True) # 前向传播：定义 y = x^2 y = x ** 2 # 调用 backward() 进行反向传播 y.backward() # 查看梯度 print(f"x={x.item()}, y=x^2 对应的梯度 dy/dx={x.grad.item()}") # 输出梯度 ``` 运行上述代码后，程序将打印出如下结果： ``` x=2.0, y=x^2 对应的梯度 dy/dx=4.0 ``` 这表明当 \( x = 2 \)，\( y = x^2 \) 的梯度为 \( \frac{dy}{dx} = 2x = 4 \)[^1]。 --- #### 更复杂的多层网络中的梯度计算 对于更复杂的情况（例如涉及多个中间变量），可以利用链式法则完成梯度传递。下面的例子展示了如何处理这种情况： ```python import torch # 输入张量 a = torch.tensor([3.0], requires_grad=True) b = torch.tensor([2.0], requires_grad=True) # 前向传播 c = a * b d = c + 5 e = d ** 2 # 反向传播 e.backward() # 打印梯度 print(f"a 的梯度 da/de: {a.grad.item()}") # 链式法则的结果 print(f"b 的梯度 db/de: {b.grad.item()}") # 链式法则的结果 ``` 在这个例子中，最终输出的是关于 \( e \) 的梯度，其中 \( e = (ab + 5)^2 \)[^4]。 --- #### 关键点解析 - 如果某个张量被标记为 `requires_grad=False` 或者其计算过程中使用了 `.detach()` 方法，则该部分不会参与到梯度计算中[^1]。 - 当调用 `.backward()` 时，默认情况下会对标量值进行反向传播；如果目标不是标量，则需提供合适的参数（如 `gradient` 参数）[^5]。 --- #### MSE 损失下的梯度计算实例 考虑均方误差损失函数的应用场景，可以通过以下方式获得权重更新所需的梯度： ```python import torch from torch.nn import functional as F # 初始化数据 x = torch.ones(1, requires_grad=True) w = torch.full([1], 2., requires_grad=True) # 计算均方误差 mse = F.mse_loss(x, x * w) # 反向传播 mse.backward() # 打印梯度 print(f"w 的梯度 dw/mse: {w.grad.item()}") # 权重对应的梯度 ``` 此代码片段说明了如何基于均方误差（MSE）计算梯度，并用于后续优化器调整模型参数[^3]。 ---