以下代码
w = np.array([[2., 2.],[2., 2.]])x = np.array([[3., 3.],[3., 3.]])b = np.array([[4., 4.],[4., 4.]])w = torch.tensor(w, requires_grad=True)x = torch.tensor(x, requires_grad=True)b = torch.tensor(b, requires_grad=True)y = w*x + b print(y)# tensor([[10., 10.],# [10., 10.]], dtype=torch.float64, grad_fn=<AddBackward0>)y.backward(torch.FloatTensor([[1, 1],[ 1, 1]]))print(w.grad)# tensor([[3., 3.],# [3., 3.]], dtype=torch.float64)print(x.grad)# tensor([[2., 2.],# [2., 2.]], dtype=torch.float64)print(b.grad)# tensor([[1., 1.],# [1., 1.]], dtype=torch.float64)由于gradient函数中的张量参数是一个与输入张量形状相同的全1张量，我的理解是
-
w.grad表示y对w的导数，结果是b， -
x.grad表示y对x的导数，结果是b， -
b.grad表示y对b的导数，结果是全1。
在这三点中，只有第三点的答案与我的预期结果相符。有人能帮我理解前两个答案吗？我认为我理解了累积部分，但在这里似乎没有发生这种情况。
回答：
要在本例中找到正确的导数，我们需要考虑求和规则和乘积规则。
求和规则：
乘积规则：
这意味着你的方程的导数计算如下。
关于x的导数：
关于w的导数：
关于b的导数：
梯度完全反映了这些结果：
torch.equal(w.grad, x) # => Truetorch.equal(x.grad, w) # => Truetorch.equal(b.grad, torch.tensor([[1, 1], [1, 1]], dtype=torch.float64)) # => True