1自动求导

import torch

x = torch.arange(4.0)
x

tensor([0., 1., 2., 3.])

在我们计算y关于X的梯度前，我们需要一个地方来存储梯度

x.requires_grad_(True) #等价于 ~x = torch.arange(4.0, requires_grad = True)
x.grad # 默认值是None

y = 2 * torch.dot(x,x)
y

tensor(28., grad_fn=<MulBackward0>)

通过调用反向传播函数来自动计算y关于x每个分量的梯度

y.backward()
x.grad

tensor([ 0.,  4.,  8., 12.])

x.grad == 4 * x

tensor([True, True, True, True])

#在默认情况下，PyTorch会累积梯度，我们需要清楚之前的值
x.grad.zero_()
y = x.sum()
y.backward()
x.grad

tensor([1., 1., 1., 1.])

def f(a):
    b = a*2
    while b.norm()<1000:
        b = b* 2
    if b.sum()> 0:
        c= b
    else:
        c = 100 * b
    return c

a = torch.randn(size=(),requires_grad=True)
d = f(a)
d.backward()

a.grad == d/a

tensor(True)