这篇文章讲得比较清晰，特地备份一下： pytorch中backward函数的gradient参数作用 问题引入 在深度学习中，经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。 PyTorch中 ...

padding是输入数据最边缘补0的个数，默认是0，即不补0. stride是进行一次卷积后,特征图滑动几格，默认是1，即滑动一格. ...

retain_graph参数的作用 官方定义： retain_graph (bool, optional) – If False, the graph used to compute the grad will be freed. Note that in nearly all cases ...

摘要：一个神经网络有N个样本，经过这个网络把N个样本分为M类，那么此时backward参数的维度应该是【N X M】 正常来说backward（）函数是要传入参数的，一直没弄明白backward需要传入的参数具体含义，但是没关系，生命在与折腾，咱们来折腾一下，嘿嘿 ...

如果我们设置的dilation=0的话，效果如图： 蓝色为输入，绿色为输出，可见卷积核为3*3的卷积核 如果我们设置的是dilation=1，那么效果如图： 蓝色为输入，绿色为输出，卷 ...

转自：https://sherlockliao.github.io/2017/07/10/backward/ backward只能被应用在一个标量上，也就是一个一维tensor，或者传入跟变量相关的梯度。 特别注意Variable里面默认的参数requires_grad=False ...

这个函数的作用是反向传播计算梯度的。 这个只有标量才能直接使用 backward()，如果使用自定义的函数，得到的不是标量，则backward()时需要传入 grad_variable 参数。 torch.tensor是autograd包的基础类，如果你设置tensor ...

1.当设置group=1时： 返回： 另一个例子： 返回： 可见第一个值为out_channels的大小，第二个值为in_channel ...