Python 需要帮助理解pytorch中的梯度函数吗

下面的代码

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)

w=np.数组（[[2,2.]，[2,2.]]
x=np.数组（[[3,3.]，[3,3.]]
b=np.数组（[[4,4.]，[4,4.]））
w=火炬张量（w，需要梯度=真）
x=火炬张量（x，需要梯度=真）
b=火炬张量（b，要求梯度=真）
y=w*x+b
打印（y）
#张量（[[10,10.]，
#[10,10.]，dtype=torch.float64，grad_fn=）
y、 向后（torch.FloatTensor（[[1,1]，[1,1]]））
打印（w.grad）
#张量（[[3,3.]，
#[3,3.]，dtype=torch.float64）
打印（x.grad）
#张量（[[2,2.]，
#[2,2.]]，dtype=torch.float64）
印刷（学士学位）
#张量（[[1,1.]，
#[1,1.]]，dtype=torch.float64）

由于

gradient

函数中的张量参数是输入张量形式的全一张量，我的理解是

w.grad

表示

y

w.r.t

w

的导数，并产生

b

x.grad

表示

y

w.r.t

x

的导数，并产生

b

和

b.grad

表示

y

w.r.t

b

的导数，并产生所有的导数

---

其中，只有第三点的答案符合我的预期结果。有人能帮我理解前两个答案吗。我想我理解累加部分，但我不认为这里会发生这种情况。

要在这个例子中找到正确的导数，我们需要考虑求和和和积规则

总和规则：

产品规则：

这意味着方程的导数计算如下

关于x：

关于w：

关于b：

渐变正好反映了：

torch.equal（w.grad，x）#=>True
火炬。相等（x.grad，w）#=>真
torch.equal（b.grad，torch.tensor（[[1,1]，[1,1]]，dtype=torch.float64））#=>True

我应该在data science stack exchange上发布吗？