Python PyTorch张量中的就地算术运算与正规算术运算

我尝试使用Pytorch框架构建线性回归，在实现梯度下降时，我观察到两种不同的输出，这两种输出基于我在Python代码中使用算术运算的方式。代码如下：

 #X and Y are input and target labels respectively
 X = torch.randn(100,1)*10
 Y = X + 3*torch.randn(100,1) +2
 plt.scatter(X.numpy(),Y.numpy())


 #Initialiation of weight and bias
 w = torch.tensor(1.0,requires_grad=True)
 b = torch.tensor(1.0,requires_grad=True)

 #forward pass
 def forward_feed(x):
   y = w*x +b
   return y

 #Parameters Learning
 epochs = 100
 lr = 0.00008
 loss_list = []
 for epoch in range(epochs):
   print('epoch',epoch)
   Y_pred = forward_feed(X)
   loss = torch.sum((Y - Y_pred)**2)
   loss_list.append(loss)
   loss.backward()
   with torch.no_grad():
     w -= lr*w.grad
     b -= lr*b.grad
     w.grad.zero_()
     b.grad.zero_()

如果我使用这个代码，我会得到预期的结果，即我的代码能够估计权重和偏差。但是，如果我更改梯度下降代码行，如下所示：

  w =w- lr*w.grad
  b =b- lr*b.grad

我得到以下错误：

 AttributeError                            Traceback (most recent call 
 last)
 <ipython-input-199-84b86804d4d5> in <module>()
 ---> 41         w.grad.zero_()
      42         b.grad.zero_()

 AttributeError: 'NoneType' object has no attribute 'zero_'

AttributeError回溯（最近的调用
最后)
在（）
--->41 w.grad.zero_uz（）
42 b.零年级
AttributeError:“非类型”对象没有属性“零”

有人能帮我吗

---

我试着在谷歌上查看答案，发现了一个相关链接：。但这与我所面临的恰恰相反。根据这一联系，他们说，由于张量共享相同的存储空间，就地赋值导致了一个问题。然而，对于我的代码，就地操作不是正常操作。

我认为原因很简单。当您这样做时：

w = w - lr * w.grad
b = b - lr * b.grad

左侧的

w

和

b

是两个新的张量，它们的

.grad

为无

---

但是，当您执行就地操作时，不会创建任何新的张量，只需更新相关张量的值。因此，在这种情况下，需要就地操作。

非常感谢您的帮助。这让我想到，在其他python库中也会发生这种情况吗？如果我们对python变量/numpy数组执行常规算术运算，它们确实具有相同的属性。张量也会携带相同的梯度，因此我们需要对这种情况进行就地算术运算。这是有道理的。试想一下，我们还有其他类似的例子吗？