由于计算图是个很抽象的问题，今天我就来解释一下关于计算图的知识。

什么是计算图：

一般是记录一个元素的计算过程用的。设置好计算图后不需要我们手动求导，系统会根据生成的计算图，当我们一旦反向传播时（backward（））就会自动求导

1.是否允许创建计算图

如果 requires_grad=True  这个参数设置成true表示在进行运算时会自动创建计算图（很关键），但这里还不等于已经创建好了计算图

w = torch.normal(0, 0.01, size=(num_inputs, num_outouts), requires_grad=True)

2.自动创建计算图

加入我们定义了softmax模型，里面就有w的运算，当我们一旦调用net方法就等于对w做了一次运算，所以系统会自动帮我们创建一个计算图

所以创建计算图的标准就是：看我们允许生成计算图的那个变量（例如上面的w）进行了一些运算。那么运算图就会把他进行的运算过程记录下来，形成计算图。

'''定义模型'''

def net(x):

    # softmax里面的参数其实就是(x,m)的内积

    return softmax(torch.matmul(x.reshape(-1, w.shape[0]), w) + b)

 y_hat = net(x) #调用net模型

3.反向模式（也可以理解计算图的销毁）

当我们用调用自动求导时，系统会自动对w进行求导，然后把计算图销毁

例如 ：

l = loss(y_hat, y)
l.mean().backward()
因为l中有y_hat,y_hat中有w，而w会自动生成计算图，并且可以根据计算图反向传播，实现l关于w的自动求导。因此一调用backward时等于系统调用反向传播，自动对w求导。然后把计算图销毁

4.计算图的再生成

一个轮次epochs可以能有多个批次训练模型，因为每一批次训练基本都会生成一个计算图，每个计算图又不一样，因为我们传进来的x不一样。计算图实际上不是存的某个值，而是关于x的运算，例如w1 * x1 + w2 * x2等等这些运算步骤。所以保证了每次计算图不一样

5.注意：

一般我们在训练时一般都要求生成计算图，但在评估的时候不会允许计算图的拓展

所以在评估时用with no_grad(): 来限制

一些心得，希望可以帮助大家。如有不对请更正，谢谢大家