torch.nn.Module.backward()

`torch.nn.Module.backward()` 是PyTorch中的一个核心功能，用于反向传播（backpropagation）。当你通过模型执行前向传递（forward pass），计算损失（loss）之后，你可以调用 `.backward()` 方法来开始反向传播过程。这个方法会自动对模型的所有参数应用链式法则，计算每个参数对于整个损失函数的梯度。

下面是一个简单示例[^1]：

# 假设我们有一个自定义的Model类
class MyModule(nn.Module):
    def __init__(self):
        super(MyModule, self).__init__()
        # 添加一些可学习的参数

    def forward(self, input):
        # 前向传播逻辑
        output = ...  # 模型计算结果
        return output

# 初始化并创建实例
model = MyModule()
input = torch.randn(1, 3, 224, 224)
output = model(input)

# 计算损失
loss = F.cross_entropy(output, target)  # 假设target是正确的类别标签

# 开始反向传播
loss.backward()

# 此时，model.parameters()中的每个参数都将包含其梯度
for param in model.parameters():
    print(param.grad)

在这个过程中，`.grad`属性存储了参数相对于当前损失的梯度。注意，如果你有非可微操作（如ReLU激活函数在某些点上梯度为零的情况），`backward()`默认不会改变这些位置的梯度。若需特殊处理，可能需要自定义`Function`类或者使用`torch.autograd.Function`的`register_hook()`方法。