autograd 包是 PyTorch 中所有神经网络的核心。首先让我们简要地介绍它，然后我们将会去训练我们的第一个神经网络。该 autograd 软件包为 Tensors 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你的后向传播，并且每次迭代都可以不同。我们从 tensor 和 gradients 来举一些例子。

1、TENSOR

torch.Tensor 是包的核心类。如果将其属性 .requires_grad 设置为 True，则会开始跟踪针对 tensor 的所有操作。完成计算后，您可以调用 .backward() 来自动计算所有梯度。该张量的梯度将累积到 .grad 属性中。

要停止 tensor 历史记录的跟踪，您可以调用 .detach()，它将其与计算历史记录分离，并防止将来的计算被跟踪。

要停止跟踪历史记录（和使用内存），您还可以将代码块使用 with torch.no_grad(): 包装起来。在评估模型时，这是特别有用，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，但在评估阶段我们不需要梯度。

还有一个类对于 autograd 实现非常重要那就是 Function。Tensor 和 Function 互相连接并构建一个非循环图，它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，（如果用户自己创建张量，则g rad_fn 是 None ）。

如果你想计算导数，你可以调用 Tensor.backward()。如果 Tensor 是标量（即它包含一个元素数据），则不需要指定任何参数backward()，但是如果它有更多元素，则需要指定一个gradient 参数来指定张量的形状。 

import torch
创建一个张量，设置 requires_grad=True 来跟踪与它相关的计算 
x = torch.ones(2, 2, requires_grad=True)
print(x)
输出： 
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
针对张量做一个操作 
y = x + 2
print(y)
输出： 
tensor([[3., 3.],
        [3., 3.]], grad_fn=<AddBackward0>)
y 作为操作的结果被创建，所以它有 grad_fn 
print(y.grad_fn)
输出： 
<AddBackward0 object at 0x7fe1db427470>
针对 y 做更多的操作： 
z = y  y  3
out = z.mean()


print(z, out)
输出： 
tensor([[27., 27.],
        [27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
.requires_grad_( ... ) 会改变张量的 requires_grad 标记。输入的标记默认为  False ，如果没有提供相应的参数。 
a = torch.randn(2, 2)
a = ((a  3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a  a).sum()
print(b.grad_fn)
输出： 
False
True
<SumBackward0 object at 0x7fe1db427dd8>
梯度：

我们现在后向传播，因为输出包含了一个标量，out.backward() 等同于out.backward(torch.tensor(1.))。 

out.backward()
打印梯度  d(out)/dx 
print(x.grad)
 输出：
tensor([[4.5000, 4.5000],
        [4.5000, 4.5000]])
 

原理解释：

现在让我们看一个雅可比向量积的例子：

x = torch.randn(3, requires_grad=True)


y = x  2
while y.data.norm() < 1000:
    y = y  2


print(y)
输出： 
tensor([ -444.6791,   762.9810, -1690.0941], grad_fn=<MulBackward0>)
 

现在在这种情况下，y 不再是一个标量。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)
输出： 
tensor([1.0240e+02, 1.0240e+03, 1.0240e-01])
 

你可以通过将代码包裹在 with torch.no_grad()，来停止对从跟踪历史中 的 .requires_grad=True 的张量自动求导。 

print(x.requires_grad)
print((x ** 2).requires_grad)


with torch.no_grad():
    print((x ** 2).requires_grad)
输出： 
True
True
False
稍后可以阅读：

autograd 和 Function 的文档在： https://pytorch.org/docs/autograd

下载 Python 源代码：

autograd_tutorial.py

下载 Jupyter 源代码：

autograd_tutorial.ipynb