1. 基本概念

1.1 requires_grad

  如果需要对某个张量进行求导，则在初始化时必须赋值requires_grad=True，例如

a = torch.tensor(2.3, requires_grad=True)
1

1.2 计算图

  在计算图中，数据用椭圆表示，加减乘除等操作用矩形表示。通过计算图将数据和操作表示成了二叉树结构。

1.3 叶子节点

  在计算图中，由用户自己创建的数据就叫叶子节点，比如上图的w, x, b，也可以说未经过计算得出来的数据就是叶子节点。可以用 a.is_leaf(注意是属性，而不是方法)判断是否为叶子节点。

print(a.is_leaf)
1

1.4 grad_fn

  z.grad_fn输出的是，表示的是z对应的直接操作运算。

  tensor由某个操作获得，在PyTorch每个操作的反向传播函数是已经被定义好的，比如z是由add即加操作得到的，那么z.grad_fn得到的就是add函数的反向传播函数（求导函数）。注意我们的得到的是AddBackward0 后面有个0，说明一个计算图中可以出现很多次add，每个add的反向传播函数是不一样的。

1.5 next_functions

  z.grad_fn.next_functions 输出的是
(, 0L))
((, 0L),

  z是由add操作得到的，那么add操作的输入是b和 y，输出的就是b.grad_fn和y.grad_fn。

  AccumulateGrad是什么？a.grad是什么？为什么梯度要置0？
对于y.grad_fn我们可以知道MulBackward就是乘积操作对应的反向传播函数。

  b只是一个叶子结点，是一个Tensor，它的grad_fn即Accumlate_Grad表示这个b的导数是可积累的。比如你第一次方向传播一次，我们得出b的导数为3，即a.grad为3，但是你再求导一次，就会发现a.grad为6，这就是所谓的可累加。所以在Pytorch里面，每一个batch即每一次反向传播前都会把梯度下降即grad都置为0。

1.6 retain_graph=True backward()

  z.backward(retain_graph=True)

  z.backward()表示从z求出来的是z对各个变量的导数。

  retain_graph=True表示保存中间变量。比如我们计算z对w的导数发现导数就是y，注意这个y在我们上面举例的计算图中不是我们自己指定的，是中间求出来的，我们第一次z.backward()求z对w的导数会取到y的值。但是如果我们这次传播完立刻在想传播一次，那么就会报错，因为一次梯度玩会自动把中间的计算东西释放掉，也就是第二次传播时候就没有y了，除非你再前向传播一次。所以我们可以提前指定这个保证第一次传播完中间变量仍然存在。

1.7 hook函数

  非叶子节点的导求出来后会被释放，如果想看其导数，可以用autograd.grad或者hook函数。

2. 总结

  关于autograd,我们需要知道的就是我们可以在创建tensor的时候指定 requires_grad = True 使得可求导，然后在最终函数用 z.backward()。用a.grad查看导数（梯度）。