pytorch学习笔记（3）：自动求导与逻辑回归简单实现 一定坚持学完啊！！

自动求导与简单逻辑回归的实现

1.自动求导 torch.autograd.backward()

"""
torch.autograd.backward(
tensor,  用于求导的张量
grad_tensors, 多梯度权重
retain_graph，保存计算图
create_graph 创建导数计算图，用于高阶求导
)
"""

# y=(x+w)*(w+1)
# a=x+w
# b=w+1
# y=a*b

w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)

a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)

y.backward()
print(w.grad)

w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)

a = torch.add(w, x)
b = torch.add(w, 1)

y0 = torch.mul(a, b)
y1 = torch.add(a, b)

loss = torch.cat([y0, y1], dim=0)

grad_t = torch.tensor([1., 1.]) #多梯度权重

loss.backward(gradient=grad_t)

print(w.grad)

2.求取梯度 torch.autograd.grad()

"""
torch.autograd.grad(   用于求取梯度
outputs, 用于求导的张量
inputs,  需要梯度的张量
grad_outputs,  多梯度权重
retain_graph, 保存计算图
create_graph  创建导数计算图
)
"""

x = torch.tensor([