chainer.functions.get_item 反向传播到底是怎么做到的？
How does chainer.functions.get_item back propagation exactly?
这个问题在之后
考虑一个典型的示例问题：假设我有卷积层 + FC 层，我的最后一个 FC 层输出一个向量。
因为在某些情况下我必须对向量进行切片来计算损失函数，例如在多标签分类中，ground truth标签向量大部分为0，只有少数为1，这种情况下，直接使用F.sigmoid_cross_entropy可能会造成标签不平衡的问题，所以我决定用a[0, 1]（a是chainer.Variable最后一个FC层输出的）对特定元素进行切片计算损失函数。
在这种情况下，最后一个FC层如何进行梯度流（BP），如何更新其权重矩阵？？
当您为变量 a 和切片 index 编写 b = a[index] 时（可能是奇特的索引），通过此操作反向传播会将 b.grad 的值设置为 a.grad[index]，将a.grad的其他元素留零（因为a的对应元素不影响损失值）。然后最后一个 FC 层的反向传播计算梯度 w.r.t。 a.grad.
和往常一样的权重矩阵和偏置向量
这个问题在
因为在某些情况下我必须对向量进行切片来计算损失函数，例如在多标签分类中，ground truth标签向量大部分为0，只有少数为1，这种情况下，直接使用F.sigmoid_cross_entropy可能会造成标签不平衡的问题，所以我决定用a[0, 1]（a是chainer.Variable最后一个FC层输出的）对特定元素进行切片计算损失函数。
在这种情况下，最后一个FC层如何进行梯度流（BP），如何更新其权重矩阵？？
当您为变量 a 和切片 index 编写 b = a[index] 时（可能是奇特的索引），通过此操作反向传播会将 b.grad 的值设置为 a.grad[index]，将a.grad的其他元素留零（因为a的对应元素不影响损失值）。然后最后一个 FC 层的反向传播计算梯度 w.r.t。 a.grad.