使用PyTorch更新函数时，参数矩阵sub_param为何未更新？

核心问题是代码中多余的loss.requires_grad_(True)调用：

• 当通过loss_criterion(n1, sub_param)计算损失时，loss已经是计算图的一部分，自带完整的梯度传播路径（从输出的grad_fn=<MseLossBackward0>可验证）。
• 手动执行loss.requires_grad_(True)会破坏原有计算图的关联，导致loss.backward()无法将梯度传递到sub_param，参数自然无法更新。

另外需要注意：如果n1的requires_grad为True，梯度会同时流向n1，若你的目标仅更新sub_param，需确保n1的梯度被禁用（比如用n1.detach()剥离计算图）。

修正后的代码如下：

import torch
import torch.nn as nn
import torch.optim as optim

# 确保n1不参与梯度更新
n1 = n1.detach()
sub_param = nn.Parameter(n2)
optimizer = optim.SGD([sub_param], lr=0.1)
loss_criterion = nn.MSELoss()

for epoch in range(5):
    optimizer.zero_grad() 
    
    loss = loss_criterion(n1, sub_param)
    # 移除多余的loss.requires_grad_(True)
    loss.backward()
    optimizer.step()  
    
    print(loss.item())  # 此时loss会逐步下降，参数也会被更新

内容的提问来源于stack exchange，提问作者An Min Su