如何在pytorch中正确使用grad_fn上的next_函数[0][0]？

我在官方pytorch教程中获得了这种nn结构：

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

输入 ->conv2d->relu->MAXPOL2D->conv2d->relu->MAXPOL2D ->视图->线性->重新设置->线性->重新设置->线性 ->MSELoss ->损失

然后是一个如何使用内置的.grad_fn from变量向后跟踪梯度的示例

#例如：
打印（丢失。梯度fn）#丢失
打印（loss.grad_fn.next_函数[0][0]）线性
打印（loss.grad_fn.next_函数[0][0]。next_函数[0][0]）#ReLU

因此，由于给定的示例，我认为通过粘贴next_函数[0][0]9次可以到达Conv2d的grad对象，但我从索引中获得了错误元组。那么，如何正确地索引这些backprop对象呢

在运行教程中的以下内容后，在中：

output = net(input)
target = torch.randn(10)  # a dummy target, for example
target = target.view(1, -1)  # make it the same shape as output
criterion = nn.MSELoss()

loss = criterion(output, target)
print(loss)

以下代码段将打印完整的图形：

def print_graph(g, level=0):
    if g == None: return
    print('*'*level*4, g)
    for subg in g.next_functions:
        print_graph(subg[0], level+1)

print_graph(loss.grad_fn, 0)

---

试试跑步

打印（loss.grad\u fn.next\u函数[0][0]。next\u函数）

您将看到，这给出了一个包含三个元素的数组。它实际上是你想要选择的[1][0]元素，否则你会得到累积的梯度，你不能再进一步了。当你深入研究时，你会发现你可以一路通过网络。例如，尝试运行：

打印（loss.grad\u fn.next\u函数[0][0]。next\u函数[1][0]。next\u函数[0][0]。next\u函数[0][0]。next\u函数[1][0]。next\u函数[0][0]。next\u函数[0][0]。next\u函数

首先运行.next_函数，不在中建立索引，然后查看需要选择哪个元素才能进入nn的下一层