自动求导

"""
autograd 包为张量上的所有操作提供了自动求导机制。它是一个在运行时定义(define-by-run）的框架，
这意味着反向传播是根据代码如何运行来决定的，并且每次迭代可以是不同的

torch.Tensor 是这个包的核心类。如果设置它的属性 .requires_grad 为 True，那么它将会追踪对于该张量的所有操作。
当完成计算后可以通过调用 .backward()，
来自动计算所有的梯度。这个张量的所有梯度将会自动累加到.grad属性.

要阻止一个张量被跟踪历史，可以调用 .detach() 方法将其与计算历史分离，并阻止它未来的计算记录被跟踪。

为了防止跟踪历史记录(和使用内存），可以将代码块包装在 with torch.no_grad(): 中。在评估模型时特别有用，
因为模型可能具有 requires_grad = True 的可训练的参数，但是我们不需要在此过程中对他们进行梯度计算

还有一个类对于autograd的实现非常重要：Function

Tensor 和 Function 互相连接生成了一个无圈图(acyclic graph)，它编码了完整的计算历史。每个张量都有一个 .grad_fn 属性，
该属性引用了创建 Tensor 自身的Function(除非这个张量是用户手动创建的，即这个张量的 grad_fn 是 None )。

如果需要计算导数，可以在 Tensor 上调用 .backward()。如果 Tensor 是一个标量(即它包含一个元素的数据），则不需要为 backward() 指定任何参数，
但是如果它有更多的元素，则需要指定一个 gradient 参数，该参数是形状匹配的张量


"""
import torch

# 创建一个张量，并设置requires_grad = True来追踪其计算历史
x = torch.ones(2,2,requires_grad = True)
print(x)
"""
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
"""

# 对张量做一次运算
y = x +