大佬教程收集整理的这篇文章主要介绍了PyTorch Autograd自动区分功能，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。
这是一个很好的问题！通常，自动微分（autodiff）的思想基于多变量链规则，即 。
这意味着您可以通过“代理”变量y表示x相对于z的导数；实际上，这使您可以分解一堆更简单（或原子）的操作中的几乎所有操作，然后将这些操作“链接”在一起。
现在，什么样的
autodiff包像autograd这样做只是存储此类原子运算块的导数，例如除法，乘法等。然后，在运行时，您提供的正向传递公式（由这些块中的多个组成）可以轻松转换为精确的导数。同样，如果您认为autodiff不能完全按照自己的意愿进行操作，则还可以为自己的操作提供衍生工具。
autodiff优于有限差分之类的导数逼近的优点仅仅是因为这是一个精确的 解决方案。
如果您对它的内部工作方式进一步感兴趣，我强烈建议您使用AutoDidact项目，该项目旨在简化自动微分器的内部，因为通常还涉及很多代码优化。而且，我参加的一次演讲中的这组幻灯片确实有助于理解。
我只是想知道，PyTorch如何跟踪张量上的操作（将.requires_grad设置为后True，以及以后如何自动计算梯度。请帮助我理解背后的想法autograd。谢谢。
以上是大佬教程为你收集整理的PyTorch Autograd自动区分功能全部内容，希望文章能够帮你解决PyTorch Autograd自动区分功能所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。