解答：pytorch 通过索引赋值后 梯度还能正常反向传播吗

先上测试代码

if __name__=='__main__':
    # scene_graph_token()
    tensor1 = torch.rand(4,4)
    #tensor1.requires_grad_(True)
    tensor2 = torch.rand(4)
    tensor2.requires_grad_(True)
    opt=torch.optim.Adam([tensor2],lr=0.1)

    for i in range(50):
        tensor1[2,:]=tensor2
        tensor3=tensor1*2
        tensor3=tensor3.view(-1)

        sum=torch.sum(tensor3,dim=0)
        print(sum.data)
        print(tensor2.data)
        opt.zero_grad()
        sum.backward(retain_graph=True)
        opt.step()
    pass

解释 ：

tensor2是有一行4个数

然后赋值给tensor1的第三行

tensor1简单做了个乘2的运算

然后把tensor1所有数加起来，我们的目标是让这个 和 变小

上结果！

这里输出不太好看，大家凑活看，反正这个和是变小了。

同时输出tensor2，它的值也是在变化

结论：

梯度能正常反向传播

所以大家不必担心梯度问题，pytorch已经为大家封装好了