Python PyTorch中的autograd区分示例-应为9/8？

在中，他们使用以下图表：

x = [[1, 1], [1, 1]]
y = x + 2
z = 3y^2
o = mean( z )  # 1/4 * x.sum()

因此，向前传球让我们明白：

x_i = 1, y_i = 3, z_i = 27, o = 27

在代码中，这看起来像：

导入火炬
#定义图
x=火炬。一（2，2，需要_grad=True）
y=x+2
z=y*y*3
out=z.平均值（）
#如果我们不这样做，torch将只保留叶节点的渐变，即：x
y、 留级
z、 留级
#向前传球吗
打印（z，输出）

但是，我对计算的梯度感到困惑：

#现在让我们运行反向道具并获取渐变
out.backward（）
打印（f'do/dz={z.grad[0,0]}）

哪些产出：

do/dx = 4.5

根据链式规则，

do/dx=do/dz*dz/dy*dy/dx

，其中：

dy/dx = 1
dz/dy = 9/2 given x_i=1
do/dz = 1/4 given x_i=1

这意味着：

do/dx = 1/4 * 9/2 * 1 = 9/8

但是，这与火炬返回的梯度不匹配（9/2=4.5）。也许我有一个数学错误（do/dz=1/4项？），或者我不理解火炬中的

autograd

有什么建议吗

do/dz = 1 / 4
dz/dy = 6y = 6 * 3 = 18
dy/dx = 1

因此，do/dx=9/2

---

因此，do/dx=9/2。我显然需要复习一下大一的微积分……谢谢！看起来手电筒很好用哦天哪。我显然需要复习一下大一的微积分……谢谢！看起来手电筒工作得很好。