Python 如何在TensorFlow中使用急切执行实现张量的自定义梯度

在本（）教程中，提供了一种实现自定义渐变函数的方法

@tfe.custom_gradient
def log1pexp(x):
  e = tf.exp(x)
  def grad(dy):
    return dy * (1 - 1 / (1 + e))
  return tf.log(1 + e), grad
grad_log1pexp = tfe.gradients_function(log1pexp)

# Works as before at x = 0.
assert 0.5 == float(grad_log1pexp(0.)[0])

# But now works at x = 100 as well.
assert 1.0 == float(grad_log1pexp(100.)[0])

我想为矩阵指数实现一个梯度函数，在这种情况下，变量是张量。我尝试了直截了当的方法，但似乎失败了

我的问题是：

这里的dy是什么意思

如何将这些代码应用于张量

---

你能补充一些你尝试过的细节和失败的原因吗？