代码示例：
import torch
# 创建一个标量张量 x，并启用梯度计算
x = torch.tensor(3.0, requires_grad=True)
# 计算 y = x^2
y = torch.pow(x, 2)
# 判断 x 和 y 是否需要梯度计算
print(x.requires_grad) # 输出 x 的 requires_grad 属性
print(y.requires_grad) # 输出 y 的 requires_grad 属性
# 反向传播，计算 y 对 x 的导数
y.backward()
# 查看 x 的梯度
print(x.grad) # 输出 x 的梯度代码详解：
代码一：
x = torch.tensor(3.0, requires_grad=True)在这行代码中，创建了一个 PyTorch 张量 x。
解释
-
torch.tensor(3.0):- 这部分创建了一个张量，其值为
3.0。这是一个标量张量，数据类型为浮点数（float）。
- 这部分创建了一个张量，其值为
-
requires_grad=True:- 这个参数指定 PyTorch 需要跟踪该张量的所有操作，以便在后续的反向传播过程中计算梯度。换句话说，设置
requires_grad=True使得这个张量在执行任何操作后，能够计算其梯度。
- 这个参数指定 PyTorch 需要跟踪该张量的所有操作，以便在后续的反向传播过程中计算梯度。换句话说，设置
代码二：
y = torch.pow(x, 2)解释
-
torch.pow(x, 2):- 这是 PyTorch 中的一个函数，用于计算
x的幂。在这里，x被提高到2的幂，即计算 (x^2)。 - 由于之前我们已经定义了
x = torch.tensor(3.0, requires_grad=True)，所以torch.pow(x, 2)实际上会计算 (3.0^2)，得到的结果是9.0。
- 这是 PyTorch 中的一个函数，用于计算
-
y = ...:- 将计算得到的结果
9.0存储在张量y中。由于x的requires_grad属性为True，PyTorch 会自动设置y的requires_grad属性为True，使得y也可以用于梯度计算。
- 将计算得到的结果
代码三：
y.backward()y.backward() 是 PyTorch 中用于计算梯度的重要方法，它在反向传播过程中发挥着关键作用。
解释
y.backward():- 这行代码触发反向传播，以计算损失函数
y相对于输入张量x的梯度。 - 在调用
backward()方法之前，计算图已经构建完毕，y是通过某些操作（例如torch.pow(x, 2)）生成的张量。 - 当
backward()被调用时，PyTorch 会从y开始，沿着计算图向后传播，计算所有需要计算梯度的张量的梯度。
- 这行代码触发反向传播，以计算损失函数
自动微分
- 在 PyTorch 中，
backward()使用自动微分（automatic differentiation）来计算梯度。这意味着系统会自动根据张量间的运算关系，利用链式法则来计算每个张量的梯度。
计算过程
- 在之前的例子中，我们定义了 ( y = x^2 ) 并且 ( x = 3.0 )。
- 在反向传播过程中，PyTorch 计算 ( \frac{dy}{dx} ) 的值：
- 根据导数公式，( \frac{dy}{dx} = 2x )。
- 对于 ( x = 3.0 )，因此 ( \frac{dy}{dx} = 2 \times 3.0 = 6.0 )。
- 这个值会被存储在
x.grad中，方便后续使用。
print(x.grad) 语句用于输出张量 x 的梯度值。
为了更好的理解什么是梯度，看下面示例代码：
示例二：
import torch
x=torch.tensor(3.0,requires_grad=True)
y=torch.tensor(4.0,requires_grad=False)
z=torch.pow(x,2)+torch.pow(y,2)
print("x.requires_grad:",x.requires_grad)
print("y.requires_grad:",y.requires_grad)
print("z.requires_grad:",z.requires_grad)
z.backward()
print("x.grad:",x.grad)
print("y.grad:",y.grad)
print("z.grad:",z.grad)
print(z)输出：
x.requires_grad: True
y.requires_grad: False
z.requires_grad: True
x.grad: tensor(6.)
y.grad: None
z.grad: None
tensor(25., grad_fn=<AddBackward0>)输出解释
-
可求导性检查:
x.requires_grad: True表示x是一个可求导的张量。y.requires_grad: False表示y不是可求导的张量。z.requires_grad: True表示z是可求导的，因为它是由可求导的张量x计算得出的。
-
梯度计算:
- 调用
z.backward()时，计算了z关于x的梯度。 y.grad输出None，因为y不可求导。
- 调用
-
关于
z的梯度:z.grad输出None，这是因为z不是叶子节点。只有叶子节点的grad属性会被自动设置。
我们在运行此段代码时会遇到一个警告：
大致意思是：
你在访问 z.grad 时遇到的警告提示你正在访问一个非叶子张量的梯度属性。此警告说明 z 不是一个叶子张量，因此其 .grad 属性在执行 backward() 时不会被填充。
叶子张量与非叶子张量
在 PyTorch 中，叶子张量 （leaf tensors）是指那些没有任何历史计算的张量，通常是由用户直接创建的张量（例如通过 torch.tensor() 创建）。而 非叶子张量 是由其他张量经过操作计算得出的张量（例如加法、乘法等操作生成的结果）。
为了使非叶子张量的 .grad 属性被填充，你可以在计算图中使用 .retain_grad() 方法。这将允许你在调用 backward() 后访问非叶子张量的梯度。
请看修改后的示例三：
示例三：
import torch
# 创建一个可求导的张量 x 和一个不可求导的张量 y
x = torch.tensor(3.0, requires_grad=True) # x 可求导
y = torch.tensor(4.0, requires_grad=False) # y 不可求导
# 定义函数 z = f(x, y) = x^2 + y^2
z = torch.pow(x, 2) + torch.pow(y, 2)
# 让 z 保留梯度
z.retain_grad()
# 打印每个张量的 requires_grad 属性
print("x.requires_grad:", x.requires_grad) # 输出: True
print("y.requires_grad:", y.requires_grad) # 输出: False
print("z.requires_grad:", z.requires_grad) # 输出: True
# 反向传播以计算梯度
z.backward()
# 打印 x 和 y 的梯度
print("x.grad:", x.grad) # 输出: tensor(6.)
print("y.grad:", y.grad) # 输出: None
print("z.grad:", z.grad) # 输出: tensor(1.)为什么z的梯度为1或者z的导为1？
z 对自身的导数为1
举个例子：
y=x**2；
y对于x的导为2*x；
y对于自身的导为1。