PyTorch参数未更新问题求助：循环中参数为何无变化？

你的代码中参数看似没有更新，核心原因是梯度量级过小加上学习率不足，导致参数更新幅度微乎其微，肉眼无法察觉。具体分析和修复方法如下：

核心问题 #

1. 梯度被总市值严重缩放 #

你的损失函数基于权重 w = (final_shares * prices) / sum(final_shares * prices)，对参数 final_shares 求导时，导数公式为：
$$\frac{\partial w_i}{\partial s_i} = \frac{p_i \cdot (sum(mv) - s_i p_i)}{sum(mv)^2} = \frac{p_i \cdot (1 - w_i)}{sum(mv)}$$
初始状态下，sum(mv)（总市值）的数值极大（你的初始参数组合下，总市值轻松突破1万），直接把梯度压缩到 1e-5 甚至更小的量级。而你设置的学习率 eta=0.01，乘上梯度后每次参数更新量仅为 1e-7 级别，完全无法观察到变化。

2. 目标权重的尺度失衡 #

最后一个资产的价格固定为 1.，目标权重仅为 0.001，但初始份额是 1-50，导致该资产初始权重高于目标；而其他资产的初始权重已经接近目标值。这种失衡加上总市值的缩放效应，进一步稀释了调整最后一个资产份额的梯度，让更新变得更不明显。

修复方案 #

大幅提高学习率 #

把学习率从 0.01 调整到 1000（或根据实际收敛情况微调），让参数更新步长足够显著：

eta = 1000
optimizer = torch.optim.SGD([x_param], lr=eta)

可选：降低总市值的量级 #

可以对价格做归一化处理，避免总市值过大导致梯度被过度压缩：

prices = prices / torch.max(prices)  # 用最大值归一化，或用总和归一化

验证效果 #

修改后重新运行代码，你会看到 w 逐步向 target_weights_vec 收敛，x_param 的数值也会明显变化。

内容的提问来源于stack exchange，提问作者jason m