从 X 入门Pytorch——Tensor的自动微分、计算图，常见的with torch.no_grad()机制

1 Pytorch计算图和自动微分

从功能上理解：
计算图就是类似于数据结构中的无环有向图，Pytorch中的计算图就是为了记录一个数据从开始到最后所作的操作和参数，这样在进行反向传播时候(backward)，就会有足够的参数去计算梯度，得到最终值相较于操作过程中数据梯度，之后再通过优化器(optimizer.step())，对目标函数进行优化，就几乎完成了一轮模型训练的目的。

将Tensor的requires_grad属性设置为True时，Pytorch的torch.autograd会自动地追踪它的计算轨迹，当需要计算微分的时候，只需要对最终计算结果的Tensor调用backward方法，中间所有计算节点的微分就会被保存在grad属性中：

import torchx = torch.arange(9, dtype=torch.float).view(3,3)
print("x默认不缓存计算轨迹：",x, x.requires_grad)
y = torch.randn(3,3, requires_grad=True)
print("y设置requires_grad属性：",y, y.requires_grad)
z = torch.sum(torch.mm(x, y))
z.backward()
print("得到Z：", z, z.requires_grad)
print("经过计算，未保留x的梯度：", x.grad)
print("经过计算，保留了y的梯度：", y.grad)out:
x默认不缓存计算轨迹： tensor([[0., 1., 2.],[3., 4., 5.],[6., 7., 8.]]) False
y设置requires_grad属性： tensor([[-0.2810, -2.7142,  1.8053],[-0.6549,  1.0730, -1.9470],[ 0.5629, -0.0692, -0.7376]], requires_grad=True) True
得到Z： tensor(-32.7122, grad_fn=<SumBackward0>) True
经过计算，未保留x的梯度： None
经过计算，保留了y的梯度： tensor([[ 9.,  9.,  9.],[12., 12., 12.],[15., 15., 15.]])

从上面可以看出，y设置了requires_grad为True时，在计算过后，Pytorch会缓存其梯度信息，而x为设置该属性，即未保存该梯度信息。

汇总：

Tensor属性	作用
针对Tensor构造时的属性	后期也可以输出查看
device	该节点运行的设备环境，即CPU/GPU
requires_grad	自动微分机是否需要对该节点求导，缺省为False
针对Tensor输出时的属性，构造时不可指定	用来输出查看
grad	输出节点对该节点的梯度，缺省为None
grad_fn	中间计算节点关于全体输入节点的映射，记录了前向传播经过的操作。叶节点为None
is_leaf	该节点是否为叶节点

当需要计算中间数据(x)的梯度时，只需要将最后的结果值进行backward()后，再打印x.grad即可

2 将单个数据从计算图中剥离 .detach

一般在模型训练中计算评价指标时，我们需要停止数据的计算轨迹缓存，则可以使用.detach将数据从计算图中剥离出去，这个是针对单个数据的。

import torch
x = torch.rand(3, 3, requires_grad=True)
w = torch.ones(3, 3, requires_grad=True)
print(x)
print(w)
yy = torch.mm(w, x)
print(yy.requires_grad)detach_yy = yy.detach()  #一般模型中使用loss计算评价指标时，都会用类似这样的式子将loss从计算图中剥离备份出去。
y = torch.sum(yy)
y.backward()print("进行剥离后，detach_yy的属性：", detach_yy.grad)
print("x的梯度缓存：", x.grad)
print("w的梯度缓存：", w.grad)out:
tensor([[0.8037, 0.2443, 0.3994],[0.9879, 0.9484, 0.4035],[0.3057, 0.6682, 0.4186]], requires_grad=True)
tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]], requires_grad=True)
True
进行剥离后，detach_yy的属性： None
x的梯度缓存： tensor([[3., 3., 3.],[3., 3., 3.],[3., 3., 3.]])
w的梯度缓存： tensor([[1.4474, 2.3398, 1.3925],[1.4474, 2.3398, 1.3925],[1.4474, 2.3398, 1.3925]])

3 使用with torch.go_grad(): 包含的代码段不会计算微分

想必这个在模型测试阶段大家都会用，之所以用这个，是将模型测试阶段的微分不计算在模型中，否则模型把测试集都学过了，那以后拿什么进行模型评价呢？

import torch
x = torch.rand(3, 3, requires_grad=True)
w = torch.ones(3, 3, requires_grad=True)
y = torch.sum(torch.mm(w, x))
print("正常缓存梯度信息：", y.requires_grad)with torch.no_grad():y = torch.sum(torch.mm(w, x))print("在with torch.no_grad中：", y.requires_grad)out:
正常缓存梯度信息： True
在with torch.no_grad中： False