backward方法中gradient参数的意义

首先，我们要清楚使用backward()的目的，是为了求出某个张量对于某些标量节点的梯度。

举个例子：

x=[x1,x2,x3],z=x12+x22+x32+6

那么 z.backward()表示的就是张量x对于标量z的梯度，即
[ ∂ z ∂ x 1 , ∂ z ∂ x 2 , ∂ z ∂ x 3 ]
代码则是：

import torch
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x ** 2 + 2
z = torch.sum(y)
z.backward()
print(x.grad)

这个还是比较好理解的。

但是当如果我们想对一个向量使用backward()的时候，又该如何使用呢

首先，我们要清楚，backward()的作用一直都是求出某个张量对于某些标量节点的梯度。若我们使用的对象是向量，我们可以用一些“方法”，来让我们的向量变为标量

举个例子：

设