获取Pytorch autograd用于计算渐变的精确公式

我正在实现一个自定义CNN，其中包含一些自定义模块。我只实现了自定义模块的前向传递，并将其后向传递留给autograd。 我已经通过自定义模块的参数手动计算了反向传播的正确公式，我希望查看它们是否与autograd内部用于计算梯度的公式相匹配。 有没有办法看到这一点？ 谢谢

编辑（添加测试用例）：-

我有一个复仿射层，其中权重和输入是复值矩阵，运算是权重和输入矩阵的矩阵乘法。 两个复数的乘法由下式给出- （a+ib）（c+id）=（ac-bd）+i（ad+bc）

我计算了这个层的反向传播公式，因为我们有来自更高层的传入梯度。 结果是dL/dI（n）=（hermitian（W（n））.matmul（dL/dI（n+1）） 其中I（n）和W（n）是第n层的输入和权重，I（n+1）是第（n+1）层的输入

所以我想检查autograd是否也在使用我推导的相同公式计算dL/dI（n）

---

（由于Pytork目前不支持复数张量反向传播，我通过处理独立的实张量和虚张量创建了自己的复数表示）

我不相信Pytork中有这样的功能，即使它很难阅读。你能做的是用你推导的公式为你的图层实现一个自定义方法，然后通过设计知道反向传播是你想要的。

我不相信pytorch中有这样的功能，即使它很难阅读。你能做的是用你导出的公式为你的图层实现一个自定义方法，然后通过设计知道反向传播是你想要的。

使用的测试用例适合你吗？我的答案有什么反馈吗？请检查使用测试用例是否适合您？对我的答案有何反馈？请查收