PyTorch入门求助：最简网络调用backward()报错排查

问题描述 #

我刚接触PyTorch，即便在最简单的网络场景中调用backward()也会触发错误。示例代码如下：

(Linear(6, 6)(Variable(torch.zeros([10, 6]))) - Variable(torch.zeros([10, 6]))).backward()

抛出错误：

{RuntimeError}element 0 of variables does not require grad and does not have a grad_fn

问题原因 #

其实这个报错的核心逻辑很简单——你的计算图里没有任何需要求导的张量，PyTorch找不到反向传播的路径。咱们拆开代码细节来看：

• 你用Variable(torch.zeros(...))创建的输入张量，默认是关闭梯度追踪的（旧版PyTorch中Variable的requires_grad参数默认是False）。而Linear层的输出能否追踪梯度，完全依赖于输入张量的梯度设置。
• 因为输入没开梯度，Linear层的输出也失去了梯度追踪能力，后续减法得到的最终张量既没有grad_fn（梯度函数），也标记为不需要求导。当你调用backward()时，PyTorch发现没有可反向传播的节点，自然就抛出了这个错误。

修复方案 #

你只需要给输入张量开启梯度追踪就行，这里提供两种常用方式：

方式一：旧版Variable写法（指定requires_grad=True）

from torch import nn
from torch.autograd import Variable
import torch

# 给输入变量开启梯度追踪
input_tensor = Variable(torch.zeros([10, 6]), requires_grad=True)
target_tensor = Variable(torch.zeros([10, 6]))
output = nn.Linear(6, 6)(input_tensor) - target_tensor
# 批量张量调用backward需要传入同形状的梯度参数，用于求和计算
output.backward(torch.ones_like(output))

方式二：新版PyTorch推荐写法（直接用tensor）

现在PyTorch已经不再推荐使用Variable，直接用torch.tensor更简洁：

from torch import nn
import torch

input_tensor = torch.zeros([10, 6], requires_grad=True)
target_tensor = torch.zeros([10, 6])
output = nn.Linear(6, 6)(input_tensor) - target_tensor
output.backward(torch.ones_like(output))

额外提醒：如果你的输出是标量（比如单个损失值），直接调用backward()即可；但如果是批量的张量（像你代码里的[10,6]形状），需要传入一个和输出形状相同的张量作为参数，告诉PyTorch如何对批量元素的梯度求和。

内容的提问来源于stack exchange，提问作者Funzo