PyTorch Autograd梯度未正常生成：参数grad仍为None求助

核心问题分析 #

问题出在loss=ce_loss(torch.tensor(y_hat,requires_grad=True),y)这一行：

• 你手动创建了一个新的torch.tensor并设置requires_grad=True，这个新张量是独立的叶子节点，完全切断了它和之前par参与计算的y_hat张量之间的计算图关联。
• 原y_hat列表里的每个元素都是由act(par@obs)生成的，它们的计算图和par相连，但重新包装成新张量后，这个关联被破坏，反向传播时自然不会更新par的梯度。

修复方案 #

方案一：保留计算图的张量拼接

直接用torch.stack()或torch.cat()把y_hat列表转换成张量，不要手动设置requires_grad=True：

ce_loss=torch.nn.BCELoss()
par=torch.randn((1,n),requires_grad=True)
act=torch.nn.Sigmoid()

y_hat=[]
for obs in data:
    y_hat.append(act(par@obs))

# 用stack拼接列表中的张量，保留原计算图关联
loss=ce_loss(torch.stack(y_hat), y)
loss.backward()

方案二：批量运算替代循环（更高效）

如果data是批量数据，建议直接用批量运算避免循环，同时从根源上避免这类问题：

ce_loss=torch.nn.BCELoss()
par=torch.randn((1,n),requires_grad=True)
act=torch.nn.Sigmoid()

# 假设data是形状为(batch_size, n)的张量
y_hat = act(par @ data.T)  # 批量计算，得到形状为(1, batch_size)的张量
loss=ce_loss(y_hat.squeeze(), y)  # 根据y的形状调整维度
loss.backward()

注意事项 #

• 不要随意手动创建带requires_grad=True的张量来包装已有计算图中的张量，这会打断梯度传播链。
• 列表中的张量通过stack/cat拼接后，会保留原有的计算图信息，反向传播时就能正常追溯到par。

内容的提问来源于stack exchange，提问作者misc misc