pytorch 梯度none_从零开始深度学习Pytorch笔记（9）—— 计算图与自动求导（下）...

本文作者：Allen 

在该系列的上一篇，我们介绍了使用Pytorch的重要知识点：计算图和自动求导。

本篇我们继续学习计算图和自动求导。

首先，我们在上一节的计算图上增加复杂度，例如变成这样的计算图：

图中为了绘制方便，把张量w和x绘制在一个框中了。

其对应的计算图代码如下：

import torchw = torch.tensor([1.],requires_grad=True)x = torch.tensor([2.],requires_grad=True)a = torch.add(w,x)b = torch.add(w,2)y = torch.mul(a,b)y.backward()#梯度反向传播print(w.grad)#w的