调用loss.backward()获得反向传播的误差。

但是在调用前需要清除已存在的梯度，否则梯度将被累加到已存在的梯度。

现在，我们将调用loss.backward()，并查看conv1层的偏差（bias）项在反向传播前后的梯度。

In [10]:

net.zero_grad()     # 清除梯度

print('conv1.bias.grad before backward')
print(net.conv1.bias.grad)

loss.backward()

print('conv1.bias.grad after backward')
print(net.conv1.bias.grad)

conv1.bias.grad before backward tensor([0., 0., 0., 0., 0., 0.]) conv1.bias.grad after backward tensor([ 0.0051, 0.0042, 0.0026, 0.0152, -0.0040, -0.0036])

如何使用损失函数

稍后阅读：

nn包，包含了各种用来构成深度神经网络构建块的模块和损失函数，完整的文档请查看here。

剩下的最后一件事:

• 新网络的权重