如何使用 requires_grad=True 更改火炬张量的值，以便反向传播可以重新开始？

Question

a=torch.tensor([1,2],dtype=dtype,requires_grad=True)
b=a[0]*a[1]
b.backward()
print(a.grad)

但是当我使用 a+=1 并想给 a 另一个值并进行另一轮反向传播时，它表明在就地操作中使用了需要 grad 的叶变量。

但是a=a+1 似乎是正确的。 a=a+1 和 a+=1 有什么区别？ （已解决）

我发现我对torch的疑惑其实在于下面这个小例子，

a=torch.tensor([1,2],dtype=dtype,requires_grad=True)
b=a[0]*a[1]
b.backward()
print(a.grad)

print(a.requires_grad)
c=2*a[0]*a[1]
c.backward()
print(a.grad)

当我进行第一轮反向传播时，我得到 a.grad=[2,1]。 然后我想重新开始并计算c相对于a的微分，但是梯度似乎在累积。如何消除这种影响？

Answer 1

+= 操作符用于就地操作，而a = a+1 不是就地操作（即a 指的是在此操作之后不同的张量）。

但在您的示例中，您似乎没有使用其中任何一个，因此很难说出您想要实现的目标。