top_100_values, _ = torch.topk(logits, self.topk, dim=1) 让它可以求导

要使`torch.topk()`函数的结果能够进行反向传播（求导），你需要设置`requires_grad=True`。

示例代码如下：

top_100_values, _ = torch.topk(logits, self.topk, dim=1)
top_100_values.requires_grad = True

通过将`requires_grad`属性设置为`True`，可以将`top_100_values`张量标记为需要梯度计算。这样，在进行反向传播时，梯度会传递到`top_100_values`张量，并且可以使用它进行梯度更新或其他操作。

请注意，只有`requires_grad`属性为`True`的张量才会保留计算图中的梯度信息。如果你不需要计算梯度或者内存资源有限，也可以将`requires_grad`属性设置为`False`，这样能够节省一些内存空间。

希望这可以帮助到你！如果还有其他问题，请随时提问。