使用Pytorch自动计算梯度
torch 包内为我们提供了很多有用的函数，让我们无需手动计算梯度：
python
import torch
x=torch.tensor([1.,2.,3.,4.])
x.requires_grad_(True)
y=2*torch.dot(x,x)
# tensor(60., grad_fn=<MulBackward0>)
print(x.grad)
# None
y.backward()
print(x.grad)
# tensor([ 4., 8., 12., 16.])x.requires_grad_(True) 是为了告诉 torch ，我需要对 x 计算梯度。因为（对于一个有上万/亿参数的函数）计算梯度是非常消耗算力的，所以 torch 默认不会计算梯度，需要我们通过 requires_grad_(True) 显示声明。
但在实践过程中，我们不可能只取一个 x 的值（一个向量）来决定接下来应该如何调整运动轨迹。
如果我们选三个 x 的值，就得到三个梯度：
python
import torch
x1 = torch.tensor([1., 2., 3., 4.])
x2 = torch.tensor([1., 3., 3., 1.])
x3 = torch.tensor([5., 2., 1., 4.])
x1.requires_grad_(True)
y1 = 2 * torch.dot(x1, x1)
y1.backward()
print(x1.grad)
# tensor([ 4., 8., 12., 16.])
x2.requires_grad_(True)
y2 = 2 * torch.dot(x2, x2)
y2.backward()
print(x2.grad)
# tensor([ 4., 12., 12., 4.])
x3.requires_grad_(True)
y3 = 2 * torch.dot(x3, x3)
y3.backward()
print(x3.grad)
# tensor([20., 8., 4., 16.])但是，我们只需要一个梯度，来决定接下来的运动轨迹。可以选择将梯度相加，或者取平均值之类的方法，来得到一个统一的梯度。
放到数学上来说（数学意义），就是对于一个结果是向量的函数求导：
python
import torch
x = torch.tensor([1., 2., 3., 4.])
x.requires_grad_(True)
y = 2 * x * x
print(y)
# tensor([ 2., 8., 18., 32.], grad_fn=<MulBackward0>)
y.sum().backward()
print(x.grad)
kward0>)
y.sum().backward()
print(x.grad)
# tensor([ 4., 8., 12., 16.])我们通过 y.sum() 将函数的结果从向量压缩成标量，然后再求导，就获得了我们想要的梯度。