1.输入模型的是一定维度的特征值
    2.构建模型就是构建计算图。计算图的作用就是反向传播梯度，这样就可以原子化计算过程，那么Loss对于计算图中各个权重的导数也就易得了。
    3.前馈的过程，可以计算出预测值y_hat，以及Loss，而Loss.backward()会将Loss关于此模型中各个权重的导数求出来。
    4.权重们，有了导数的话，就可以对自己进行更新。(优化权重的算法就是随机梯度下降)

    1. Back Propagation：反向传播；这是在神经网络里面非常重要的算法，它是可以在图上面来进行梯度的传播。
    3. 因为我们的深度学习训练就是，对每一个权重，依据loss对权重的导数(即梯度)，来优化权重。
    4. 即w = w - α * (loss对w的导数)
    5. 而我们直接求解loss对权重的解析式是很困难的，于是就有人提出使用计算图来原子化计算，通过链式法则
    6. 来反向(传播)求解loss对权重的导数。
    8. 构建模型 == 构建计算图
    Pytorch里面最基本的数据类型，数据的成员，它的类型叫做Tensor，这个Tensor是用来存数据的，
前面我们图里的所有数值都需要囤在 Tensor里面，那么Tensor它可以存一个标量，可以是向量，可以是矩阵，
可以是高纬度的Tensor，三维，四维都可以。我们所有的数值肯定都要保存在Tensor里的。

Tensor实际上是一个类，它里面有两个比较重要的成员，一个是Data，另外一个grad，分别保存权重本身的
值，损失函数对权重的导数。

输入值有包含权重信息的，那么输出值也需要梯度。

    层与层之间计算的偏导，就是局部梯度。

    当你看到了forward，你就要意识到这是在构建计算图。
前馈的过程，你只需要计算loss就行了

    image.png

    反馈的过程，注意这个loss是你最后算出来的张量，这个张量呢可以调用它的成员函数backward()，然后它
就会自动的把这条计算链路上，所有的需要梯度 的地方，把梯度 都求出来，然后求完之后，它就把会梯度都
存到你的变量里面，比如我们这里涉及的变量就是w；
我们需要知道w是一个Tensor
所以它会把梯度存到w里面，实际上这个计算图就被释放了，只要一做backward，存完梯度，计算图就被释放
了，所以下一次再进行loss计算的时候，它就 会创建一个 新的计算图。

    因为最后得出来的Loss是Tensor，那么其中就可以调用它的成员函数backward(),然后它就会自动的把
这条梯度计算链路，所有的需要用到梯度的地方，把梯度求解出来，然后把梯度存到w里面。
当前链路上，还会有其它需要的梯度地方，不止是w这个Tensor。
w是关于特征(即输入x)的权重。
w也是一个Tensor，里面有Data(即w本身数值)和grad(w对应的Loss关于其的导数)。

    实际上就是先算损失，(必定y_hat要先算出来)
第二步，backward，做反向传播，然后你这个算法就跑完了，(反向传播，将梯度传播到每一个权重中的
grad中)  权重是Tensor类型的，grad也是Tensor类型的。
跑完之后，你对应的Tensor权重中有了梯度，你就可以用梯度下降做更新。