PyTorch中间节点梯度丢失：为何coefficients.grad始终为None？

我查阅过其他相关帖子，了解到默认情况下中间张量不会保留梯度，因此需要设置requires_grad=True，且在反向传播时需使用retain_grad()。但我无法理解为何以下示例中coefficients.grad始终为None？

def solvePolynomial(coefficients, x):
    return sum(coefficients[j] * (x**j) for j in range(len(coefficients)))

coefficients = torch.randn(2, requires_grad=True)
coefficients.retain_grad() # 这似乎对最后一行的错误无影响
predicted = torch.tensor([solvePolynomial(coefficients, x) for x in xs])
loss = ((predicted - ys)**2).mean()
loss.requires_grad() # 我认为这是必需的？否则下一行会报错：element 0 of tensors does not require grad and does not have a grad_fn
loss.backward()
coefficients -= 0.01 * coefficients.grad # 此处总是失败，coefficients.grad始终为NoneType

核心问题是创建predicted张量时破坏了计算图的梯度传播链：

• 用列表推导式生成张量列表后，直接用torch.tensor()包裹转换会切断原张量与coefficients的梯度关联——torch.tensor()默认创建新张量，不继承原有计算图信息。应该用torch.stack()拼接这些张量，它会完整保留计算图的梯度连接。
• coefficients是叶子节点张量，不需要调用retain_grad()，这个方法是给非叶子节点用的，叶子节点的梯度会自动被保留，除非计算图断开。
• loss.requires_grad()这行完全多余，它仅返回布尔值，不会改变loss的梯度属性。loss由带梯度的coefficients计算而来，本身已经具备梯度传播能力。

修正后的代码 #

import torch

def solvePolynomial(coefficients, x):
    return sum(coefficients[j] * (x**j) for j in range(len(coefficients)))

# 补充xs和ys的示例值（原代码中缺失）
xs = torch.tensor([1.0, 2.0, 3.0])
ys = torch.tensor([3.0, 7.0, 13.0])

coefficients = torch.randn(2, requires_grad=True)
# 去掉多余的retain_grad()
predicted = torch.stack([solvePolynomial(coefficients, x) for x in xs])  # 用stack替代torch.tensor()
loss = ((predicted - ys)**2).mean()
# 去掉多余的loss.requires_grad()
loss.backward()
coefficients -= 0.01 * coefficients.grad  # 现在grad不再是None

内容的提问来源于stack exchange，提问作者errorline1