antograd包是Pytorch中所有神经网络的核心。autograd为Tensor上的所有操作提供自动微分，它是一个由运行定义的框架，这意味着以代码运行方式定义后向传播，并且每一次迭代都可能不同
torch.Tensor是包的核心。
1.如果将属性.requires_grad设置为True,则会开始跟踪针对tensor的所有操作。
2.完成计算之后，可以调用backward()来自带计算多有梯度。该张量的梯度将积累到.grad属性中。
3.要停止tensor历史记录的跟踪，可以调用.detach()，他将与计算历史记录分离，并防止将来的计算被跟踪
4.要停止跟踪历史记录（和使用内存），可以将代码块使用with torch.no_grad():包装起来。在评估模型时候，很有用，因为模型在训练阶段具有requires_grad=True的可训练参数有利于调参，但是在评估阶段不需要梯度
5.还有一个对于autograd实现非常重要的就是Function。tensor和Function互相连接并构建一个肺循环图，他保存整个完整的计算过程的历史信息。每个张量都有一个.grad_fn属性保存着创建了张量的Function的引用（如果用户自己创建的张量，那么grad_fn是None）
6.如果想计算导数，可以调用Tensor.backward().如果Tensor是标量（包含一个元素数据）则不需要指定任何参数backward(),但是如果他有更多元素，则需要指定gradient参数来指定张量的形状
import torch # 创建一个张量，设置requires_grad=True x=torch.ones(2,2,requires_grad=True) print(x) # 针对张量操作 y=x+2 print(y) print(y.grad_fn)#y作为操作的结果被创建，所以他有grad_fn # 对y操作 z=y*y*3 out=z.mean() print(z,out)
运行结果
# 如果在变量输入过程中没有提供相应参数，输入的标记默认为False,requires_grad_()会改变张量的requires_grad标记 a=torch.randn(2, 2) a=((a*3)/(a-1)) # 前面没有设置requires_grad，固会输出False print(a.requires_grad) a.requires_grad_(True) # 经过上面语句的更改之后，此处应该输出True print(a.requires_grad) b=(a*a).sum() # 输出梯度信息 print(b.grad_fn)
运行结果
现在向后传播，因为输出包含了一个标量，out,backward()等同于out.backward(torch.tensor(1,))
out.backward()#向后传播 print(x.grad)#打印梯度
运行结果
原理
# 雅克比向量积
x=torch.randn(3,requires_grad=True)
y=x*2
print(y)
while y.data.norm()<1000:
y=y*2
print(y)#此时y不是标量，torch.autograd 不能够直接计算整个雅可比，但是如果我们只想要雅可比向量积，只需要简单的传递向量给 backward 作为参数
v=torch.tensor([0.1,1.0,0.0001],dtype=torch.float)
y.backward(v)
print(x.grad)
print(x.requires_grad)
print((x**2).requires_grad)
# 使用一下语句停止从跟踪历史中.require_gra=True的张量自动求导
with torch.no_grad():
print((x**2).requires_grad)
运行结果
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注的更多内容！
