在你已经掌握了如何使用PyTorch构建神经网络的基础上，接下来我们将深入探讨PyTorch的两个核心特性：自动求导（Autograd）和优化（Optimization）。这两个特性在深度学习模型的训练过程中起着至关重要的作用。
一、自动求导
在PyTorch中，所有神经网络的核心是autograd包。先简单理解这个包，然后我们会去训练我们的第一个神经网络。
autograd包提供了所有张量上的自动求导操作。它是一个在运行时定义的框架，这意味着你的反向传播是由你的代码运行方式决定的，因此每次迭代可以不同。
让我们通过一些简单的例子来更好地理解这个概念：
python
import torch
# 创建一个张量并设置requires_grad=True来追踪与它相关的计算
x = torch.ones(2, 2, requires_grad=True)
print(x)
# 对张量进行操作
y = x + 2
print(y)
# 因为y是操作的结果，所以它有grad_fn属性
print(y.grad_fn)
# 对y进行更多操作
z = y * y * 3
out = z.mean()
print(z, out)二、梯度
我们可以通过调用.backward()来进行反向传播，计算梯度：
python
out.backward()
# 输出梯度 d(out)/dx
print(x.grad)三、训练模型
在定义神经网络后，我们可以将数据输入到网络中，并使用反向传播计算梯度。然后使用优化器更新网络的权重：
python
import torch.optim as optim
# 创建优化器（随机梯度下降）
optimizer = optim.SGD(net.parameters(), lr=0.01)
# 在训练循环中：
optimizer.zero_grad() # 清零梯度缓存
output = net(input) # 输入数据并得到输出
loss = criterion(output, target) # 计算损失函数
loss.backward() # 反向传播
optimizer.step() # 更新权重到此，你已经了解了如何在PyTorch中使用自动求导和优化器进行模型训练。在实际使用中，你会发现这两个特性极大地简化了训练过程，使得PyTorch在深度学习框架中备受青睐。