Pytorch PyTroch，梯度计算

嗨，我正在努力理解pytorch的NN。 我对梯度计算有疑问

将torch.optim导入为optim

create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)


```
# in your training loop:
optimizer.zero_grad()   # zero the gradient buffers
output = net(input)
loss = criterion(output, target)
loss.backward()
optimizer.step()    # Does the update
```

从about代码中，我了解了loss.backward（）计算梯度。 我不确定这些信息是如何与

优化器共享的，以更新梯度

有人能解释一下吗

提前谢谢
 当您在此行中创建优化器时

optimizer = optim.SGD(net.parameters(), lr=0.01)

您提供了
net.parameters（）
，其中包含将根据渐变更新的所有可学习参数

模型和优化器的连接只是因为它们共享相同的参数

PyTorch参数是张量。它们不再被称为变量。
当您在这行中创建优化器时

optimizer = optim.SGD(net.parameters(), lr=0.01)

您提供了
net.parameters（）
，其中包含将根据渐变更新的所有可学习参数

模型和优化器的连接只是因为它们共享相同的参数

PyTorch参数是张量。它们不再称为变量。
渐变附加到模型内部的变量（通过调用
net.parameters（）
访问）。调用
loss.backward（）
时，将填充这些渐变。正如您的优化人员从
optim.SGD（net.parameters（），lr=0.01）
中了解到的参数一样，它可以直接访问每个参数及其相应的梯度并应用它们。梯度附加到模型内部的变量（通过调用
net.parameters（）
访问）。调用
loss.backward（）
时，将填充这些渐变。正如您的优化人员从
optim.SGD（net.parameters（），lr=0.01）
中了解到的参数一样，它可以直接访问每个参数及其相应的梯度并应用它们。