在深度学习中，反向传播（backpropagation）是训练模型的核心算法之一，而PyTorch中的`backward()`函数正是实现这一过程的关键工具。当你调用`.backward()`时，PyTorch会自动计算损失函数对模型参数的梯度，并存储在每个张量的`.grad`属性中。
首先，确保你的张量设置了`requires_grad=True`，这样才能跟踪其计算历史。例如：
```python
x = torch.tensor([1.0], requires_grad=True)
```
接着，定义一个简单的损失函数，比如均方误差（MSE），然后调用`.backward()`：
```python
loss = (x 2).sum()
loss.backward()
print(x.grad) 输出梯度值
```
值得注意的是，`.backward()`会累加梯度，因此如果需要重新计算梯度，请记得使用`zero_()`清零：
```python
x.grad.zero_()
```
此外，在多线程或多GPU场景下，需注意梯度同步问题。掌握好这些技巧，你就能高效地训练神经网络啦！💪
深度学习 PyTorch 反向传播