代码如下，当我尝试对y3进行第二次梯度计算时，报了这个错

import torch
x = torch.tensor([1], dtype=torch.float32, requires_grad=True)
y1 = x ** 2
y2 = x ** 3
y3 = y1 + y2
y3.backward() 
print(x.grad)
x.grad.data.zero_()
y3.backward()
print(x.grad)

百度了一下问题原因和解决方法，
解决方法：在第一次backward中加一句retain_grad=True，意思为一直保留计算图，问题解决。

y3.backward(retain_graph=True)

报错原因就是pytorch的计算图在第一次执行完backward计算梯度的时候就已经被释放了。第二次想要再用计算图计算时，计算图已经没了，自然报错。

那么，计算图是什么？
针对上述例子，计算图可以画成这样：

当第二次backward时，无法从y3回溯到y1/y2，这是报错的根源。

此外，我还尝试了另一个例子：

x = torch.randn(3,3,requires_grad=True)
print(x)
y = x + x
out2 = y.sum()
out2.backward()
print(x.grad)
x.grad.data.zero_()
out2.backward()
print(x.grad)

神奇的是，就算连续调用两次backward，依然不报错。当时我的猜想是这根据计算图的计算方法复杂程度而定，第一个例子变量都来自x，一个是二次方，一个是三次方，计算方法不同，计算图必须保留；第二个例子只用了加法一种计算方法，但随后我将这种想法推翻了，因为这个例子：

y = x*x
z = y*y
a = z*z
a = a.sum()
a.backward()
a.backward()

计算方法单一，但结果报错。我又将乘法都换成了加法，就没错了O_o

总结一下，只要是 只有加法存在 这种情况，不管套了多少层，backward()即可，剩下的情况都要backward(retain_graph=True)