Pytorch基础(3)——自动求梯度

设x为已存在的Tensor

1. requires_grad        # 创建Tensor时设置为 True ，它将开始追踪(track)在其上的所有操作（这样就可以利⽤链式法则进⾏梯度传播了），缺失情况下默认 requires_grad = False，可通过 x.requires_grad_(True) 来⽤in-place的⽅式改变 requires_grad 属性。
2. y.backward()        #来完成所有梯度计算，Tensor 的梯度将累积到 .grad 属性中。            注：y.backward() 时，如果 y 是标量，则不需要为 backward() 传⼊任何参数；否则，需要
   传⼊⼀个与 y 同形的 Tensor。
3. x . grad        #查看函数结果关于x的梯度。

   注： grad 在反向传播过程中是累加的 (accumulated) ，这意味着每⼀次运⾏反向传播，梯度都会累 加之前的梯度，所以⼀般在反向传播之前需把梯度清零。
4. x . grad . data . zero_ ()        #梯度清零
5.   .detach()          #将其从追踪记录中分离出来，这样就可以防⽌将来的计算被追踪，这样梯度就传不过去了。
6. with torch.no_grad()：接代码块          #将不想被追踪的操作代码块包裹起来 。
7. x.grad_fn        #该属性即创建该 Tensor 的Function , 就是说该 Tensor 是不是通过某些运算得到的，若是，则 grad_fn 返回⼀个与这些运算相关的对象，否则是None。
8. x.is_leaf        #判断x是否为直接创建的叶⼦节点，叶⼦节点对应的 grad_fn 是 None 。