Pytorch学习案例2 -线性回归(2)

上一篇博文用的是手动求导，更新权重和截距，本篇博文主要是借助Pytorch自动自动求导引擎。

计算图(Computation Graph)是PyTorch的核心，其为高效自动求导算法——反向传播(Back Propogation)提供了理论支持。其中torch.autograd是一套自动求导引擎，它能够根据输入和前向传播过程自动构建计算图，并执行反向传播。

#在创建tensor的时候指定requires_grad,三种方式

#（1）

a = t.randn(3,4, requires_grad=True)

#（2）

a = t.randn(3,4).requires_grad_()

#（3）

a = t.randn(3,4)

a.requires_grad=True

#原函数
def f(x):
    '''计算y'''
    y = x**2 * t.exp(x)
    return y
#手动求导函数
def gradf(x):
    '''手动求导函数'''
    dx = 2*x*t.exp(x) + x**2*t.exp(x)
    return dx
x = t.randn(3,4, requires_grad = True)
y = f(x)
y
#两者的对比，效果一样
y.backward(t.ones(y.s