序言：在訓練一個神經網絡時，梯度的計算是一個關鍵的步驟，它為神經網絡的優化提供了關鍵數據。但是在面臨復雜神經網絡的時候導數的計算就成為一個難題，要求人們解出復雜、高維的方程是不現實的。這就是自動微分出現的原因，當前最流行的深度學習框架如PyTorch、Tensorflow等都提供了自動微分的支持，讓人們只需要很少的工作就能神奇般地自動計算出復雜函數的梯度。
PyTorch的autograd簡介
Tensor是PyTorch實現多維數組計算和自動微分的關鍵數據結構。一方面，它類似於numpy的ndarray，用戶可以對Tensor進行各種數學運算；另一方面，當設置.requires_grad = True之后，在其上進行的各種操作就會被記錄下來，用於后續的梯度計算，其內部實現機制被成為動態計算圖(dynamic computation graph)。
Variable變量：在PyTorch早期版本中，Tensor只負責多維數組的運算，自動微分的職責是Variable完成的，因此經常可以看到因而產生的包裝代碼。而在0.4.0版本之后，二者的功能進行了合並，使得自動微分的使用更加簡單了。
autograd機制能夠記錄作用於Tensor上的所有操作，生成一個動態計算圖。圖的葉子節點是輸入的數據，根節點是輸出的結果。當在根節點調用.backward()的時候就會從根到葉應用鏈式法則計算梯度。默認情況下，只有.requires_grad和is_leaf兩個屬性都為True的節點才會被計算導數，並存儲到grad中。
動態計算圖本質上是一個有向無環圖，因此“葉”和“根”的稱呼是不太准確的，但是這種簡稱可以幫助理解，PyTorch的文檔中仍然采用這種說法。
requires_grad屬性
requires_grad屬性默認為False，也就是Tensor變量默認是不需要求導的。如果一個節點的requires_grad是True，那么所有依賴它的節點requires_grad也會是True。換言之，如果一個節點依賴的所有節點都不需要求導，那么它的requires_grad也會是False。在反向傳播的過程中，該節點所在的子圖會被排除在外。
>>> x = torch.randn(5, 5) # requires_grad=False by default >>> y = torch.randn(5, 5) # requires_grad=False by default >>> z = torch.randn((5, 5), requires_grad=True) >>> a = x + y >>> a.requires_grad False >>> b = a + z >>> b.requires_grad True
Function類
我們已經知道PyTorch使用動態計算圖(DAG)記錄計算的全過程，那么DAG是怎樣建立的呢？一些博客認為DAG的節點是Tensor(或說Variable)，這其實是不准確的。DAG的節點是Function對象，邊表示數據依賴，從輸出指向輸入。因此Function類在PyTorch自動微分中位居核心地位，但是用戶通常不會直接去使用，導致人們對Function類了解並不多。
每當對Tensor施加一個運算的時候，就會產生一個Function對象，它產生運算的結果，記錄運算的發生，並且記錄運算的輸入。Tensor使用.grad_fn屬性記錄這個計算圖的入口。反向傳播過程中，autograd引擎會按照逆序，通過Function的backward依次計算梯度。
backward函數
backward函數是反向傳播的入口點，在需要被求導的節點上調用backward函數會計算梯度值到相應的節點上。backward需要一個重要的參數grad_tensor，但如果節點只含有一個標量值，這個參數就可以省略（例如最普遍的loss.backward()與loss.backward(torch.tensor(1))等價），否則就會報如下的錯誤：
Backward should be called only on a scalar (i.e. 1-element tensor) or with gradient w.r.t. the variable
要理解這個參數的內涵首先要從數學角度認識梯度運算。如果有一個向量函數$\vec{y}=f(\vec{x})$，那么$\vec{y}$相對於$\vec{x}$的梯度是一個雅克比矩陣(Jacobian matrix)：
$$\begin{split}J=\left(\begin{array}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{1}}{\partial x_{n}}\\ \vdots & \ddots & \vdots\\ \frac{\partial y_{m}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{array}\right)\end{split}$$
本文討論的主角torch.autograd本質上是一個向量-雅克比乘積(*vector-Jacobian product*)的計算引擎，即計算$v^{T}\cdot J$，而所謂的參數grad_tensor就是這里的$v$。由定義易知，參數grad_tensor需要與Tensor本身有相同的size。通過恰當地設置grad_tensor，容易計算任意的$\frac{\partial y_{m}}{\partial x_{n}}$求導組合。
反向傳播過程中一般用來傳遞上游傳來的梯度，從而實現鏈式法則，簡單的推導如下所示：
$$\begin{split}J^{T}\cdot v=\left(\begin{array}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{1}}\\ \vdots & \ddots & \vdots\\ \frac{\partial y_{1}}{\partial x_{n}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{array}\right)\left(\begin{array}{c} \frac{\partial l}{\partial y_{1}}\\ \vdots\\ \frac{\partial l}{\partial y_{m}} \end{array}\right)=\left(\begin{array}{c} \frac{\partial l}{\partial x_{1}}\\ \vdots\\ \frac{\partial l}{\partial x_{n}} \end{array}\right)\end{split}$$
(注：這里的計算結果被轉置為列向量以方便查看)
注意：梯度是累加的
backward函數本身沒有返回值，它計算出來的梯度存放在葉子節點的grad屬性中。PyTorch文檔中提到，如果grad屬性不為空，新計算出來的梯度值會直接加到舊值上面。
為什么不直接覆蓋舊的結果呢？這是因為有些Tensor可能有多個輸出，那么就需要調用多個backward。疊加的處理方式使得backward不需要考慮之前有沒有被計算過導數，只需要加上去就行了，這使得設計變得更簡單。因此我們用戶在反向傳播之前，常常需要用zero_grad函數對導數手動清零，確保計算出來的是正確的結果。