autograd是pytorch构建神经网络的核心。

在 PyTorch 中，结合以下代码例子，当你对一个张量 x 设置 requires_grad=True 时，你实际上是告诉 PyTorch 需要跟踪所有对这个张量的操作以便未来可以计算梯度。当你调用 out.backward() 时，PyTorch 会自动计算关于 out 的梯度，并逆向传播回 x。

在以下代码中：

python
 代码解读
复制代码
x = torch.ones(2,2)
print(x)
x.requires_grad=True
print(x)
y = x + 2
z = y*y*3
out = z.mean()
print(out)
out.backward()
print(x.grad)
print(y.grad)  # 这一行会报错，因为 y 不需要梯度，y为非叶子张量

y 是由 x 通过一个简单的加法操作得到的。由于 y 本身并没有设置 requires_grad=True，PyTorch 没有跟踪 y 的操作历史，因此无法计算 y 关于 out 的梯度。

如果你想要计算 y 的梯度，你需要在创建 y 之前也设置 requires_grad=True。但是，通常情况下，我们不需要对中间变量求梯度，我们只需要对最终输出的梯度感兴趣，然后通过反向传播计算出所有需要的梯度。

如果你确实需要对 y 求梯度，可以这样做：

python
 代码解读
复制代码
x = torch.ones(2,2, requires_grad=True)
y = x + 2
z = y*y*3
out = z.mean()
out.backward()
print(x.grad)  # 计算 x 的梯度
print(y.grad)  # 现在可以计算 y 的梯度了

在这个修改后的代码中，x 和 y 都设置了 requires_grad=True，因此 PyTorch 会跟踪它们所有的操作，你可以计算 y 关于 out 的梯度。但是请注意，通常情况下，我们只需要计算最终输出（在这个例子中是 out）关于输入变量（在这个例子中是 x）的梯度。