https://github.com/pyro-ppl/pyro

Algorithm 4 Compute Gradient Estimator for Stochastic Computation Graph
for v 2 Graph do . Initialization at output nodes
gv =
8
<
:
1dim v if v 2 C
0dim v otherwise
end for
Compute Qˆ w for all nodes w 2 Graph
for v in ReverseTopologicalSort(NonInputs) do . Reverse traversal
for w 2 parentsv do
if not IsStochastic(w) then
if IsStochastic(v) then
gw += ( @
@w log p(v | parentsv))Qˆ w
else
gw += ( @v
@w)Tgv
end if
end if
end for
end for
return [g✓]
✓2⇥
专业翻译（机器学习 / 随机计算图领域）
算法 4 随机计算图的梯度估计器计算
plaintext
对于图中所有节点 v 执行： # 输出节点初始化
gᵥ =
1_𝐝𝐢𝐦(ᵥ) 若 v 属于确定性输出节点集合 C
0_𝐝𝐢𝐦(ᵥ) 其他情况
结束循环

计算图中所有节点 w 的 Q̂_w
对于 以逆拓扑序遍历的非输入节点 v 执行： # 反向遍历
对于 v 的父节点 w 执行：
若 w 不是随机节点：
若 v 是随机节点：
g_w += (∂/∂w log p(v | 父节点v)) · Q̂_w
否则：
g_w += (∂v/∂w)ᵀ · gᵥ
结束条件
结束条件
结束循环
结束循环

返回所有参数 θ ∈ Θ 对应的梯度 [g_θ]
关键术语精准释义（领域专用）
Stochastic Computation Graph：随机计算图（变分推断 / 强化学习核心技术）
Gradient Estimator：梯度估计器
Reverse Topological Sort：逆拓扑排序
Stochastic node：随机节点；NonInputs：非输入节点
log p(v | parentsᵥ)：随机节点的条件对数概率
Q̂_w：节点 w 的梯度期望估计值
dim(v)：节点 v 的维度
Θ：模型参数空间
公式符号说明
gᵥ：节点v的梯度
(∂v/∂w)ᵀ：雅可比矩阵转置（确定性节点链式法则）
1_dim(v)：维度匹配的全 1 向量
0_dim(v)：维度匹配的全 0 向量
总结
这是随机计算图反向传播梯度计算的标准算法，广泛用于变分自编码器（VAE）、强化学习策略梯度等场景，核心是区分随机节点和确定性节点，采用不同的梯度更新规则。