在运行反向传播函数之后，立即再次运行它，看看会发生什么

正常运行反向传播函数

输出结果如下：
tensor([  0.,   4.,   8.,  12.,  16.,  20.,  24.,  28.,  32.,  36.,  40.,  44.,         48.,  52.,  56.,  60.,  64.,  68.,  72.,  76.,  80.,  84.,  88.,  92.,         96., 100., 104., 108., 112., 116., 120., 124., 128., 132., 136., 140.,        144., 148., 152., 156.])

如果再次运行反向传播

输出结果如下：

RuntimeError: Trying to backward through the graph a second time (or directly access saved tensors after they have already been freed). Saved intermediate values of the graph are freed when you call .backward() or autograd.grad(). Specify retain_graph=True if you need to backward through the graph a second time or if you need to access saved tensors after calling backward.

大概的意思好像是说在调用backward（）进行第二次反向传播时，计算图中保存的中间值（这里我的理解是第一次求导后的值）已经被释放掉了，所以报错

上面也对二次反向传播提出了解决的方案：在backward（）函数中设置参数retain_graph=True

设置了参数后的输出如下：

tensor([  0.,   4.,   8.,  12.,  16.,  20.,  24.,  28.,  32.,  36.,  40.,  44.,         48.,  52.,  56.,  60.,  64.,  68.,  72.,  76.,  80.,  84.,  88.,  92.,         96., 100., 104., 108., 112., 116., 120., 124., 128., 132., 136., 140.,        144., 148., 152., 156.])

尝试进行二次反向传播

输出结果如下：

tensor([  0.,   8.,  16.,  24.,  32.,  40.,  48.,  56.,  64.,  72.,  80.,  88.,         96., 104., 112., 120., 128., 136., 144., 152., 160., 168., 176., 184.,        192., 200., 208., 216., 224., 232., 240., 248., 256., 264., 272., 280.,        288., 296., 304., 312.])

成功完成了二次反向传播！

----end----