Created by: zylustc

paddle 版本： 1.8.3 对于一个多输出的神经网络，反向过程得到的梯度会对多个输出的梯度进行累加，有什么办法可以直接分别获得多个输出的梯度。就是类似于下面的代码

import paddle.fluid as fluid
import numpy as np

with fluid.dygraph.guard():
    value = np.arange(14).reshape(14).astype("float64")
    a=fluid.dygraph.to_variable(value)
    a.stop_gradient=False
    linear = fluid.Linear(14, 5, dtype="float64")
#    forward_pre_hook_handle = linear.register_forward_pre_hook(forward_pre_hook)
    adam = fluid.optimizer.Adam(parameter_list=linear.parameters())
    out = linear(a)
#    dx=fluid.dygraph.grad(outputs=out[0],inputs=a,create_graph=True,retain_graph=True,  \
#    only_inputs=True,allow_unused=False)[0]
#    print(dx)
#    dx=fluid.dygraph.grad(outputs=out[1],inputs=a,create_graph=True,retain_graph=True,  \
#    only_inputs=True,allow_unused=False)[0]
#    print(dx)
    out.backward()
    print(a.gradient())

下面只能得到一个14维的向量，而我希望的是分别得到每一个输出对于输入的梯度。目前可行的是用dygraph.grad()分别计算每个输出对于输入的梯度。 但是这样会不会进行了多次重复的反向计算，导致速度变慢？有没有什么其他高效的办法？