在深度学习中，PyTorch 的自动微分（Autograd）机制极大地简化了模型训练过程。在实际的训练代码中，自动微分并不是一个孤立的函数，而是通过一套标准的训练闭环来体现的。结合一段典型的 PyTorch 模型训练代码，自动微分主要体现在以下三个核心步骤：
有的说法是叫“自动梯度”更合理
1. 开启梯度追踪（构建计算图）
pred_y = model(x)
loss_value = loss(pred_y, y)
在 PyTorch 中，模型的参数（如权重 w 和偏置 b）在初始化时默认带有 requires_grad=True 属性。当代码执行前向传播 model(x) 以及计算损失 loss(pred_y, y) 时，PyTorch 的 Autograd 引擎会在后台默默记录所有的运算过程，并动态构建出一张“计算图”。
2. 触发反向传播（自动计算梯度）
loss_value.sum().backward()
这是自动微分最直接的体现。调用 .backward() 后，Autograd 引擎会从损失值（标量）出发，沿着之前构建的计算图逆向遍历，利用链式法则自动计算出每一个参与运算的参数的梯度。开发者完全不需要手动编写任何求导公式。
3. 梯度清零（防止梯度累加）
optimzer.zero_grad()
PyTorch 的自动微分机制默认会累加梯度，而不是覆盖梯度。如果不手动清零，之前批次计算出的梯度会一直叠加，导致模型参数更新混乱。因此，在每次反向传播之前，必须通过优化器将之前自动计算并累积的梯度清空。
总结 这段训练代码完美遵循了 PyTorch 自动微分的标准范式：前向传播记录计算图 -> 梯度清零 -> 反向传播自动求导 -> 优化器更新参数。理解这一过程，是掌握 PyTorch 模型训练的核心。