什么是计算图（Computational Graph）？
可以把 计算图 想象成一个流程图，跟踪张量（数据）是如何一步步被运算的。你对张量进行的每一个操作（如加法、乘法等）都会成为 图中的一个节点。
例如，执行以下代码时：
import torch
x = torch.tensor(2.0, requires_grad=True)
y = x ** 2 # x 的平方
z = y + 3 # 加 3
PyTorch 会创建如下计算图：
x → (平方) → y → (加3) → z
由于 x 设置了 requires_grad=True，PyTorch 记录了 x 如何影响 z，这样就可以进行自动求导。
autograd 如何使用计算图？
PyTorch 自动构建 计算图并完成两个主要工作：
- 前向传播（Forward Pass）：执行计算操作，生成新的张量（如
y = x²）。 - 反向传播（Backward Pass）：当你调用
.backward()时，PyTorch 会沿着计算图 反向 传播，使用 链式法则 计算梯度。
示例：
z.backward() # 计算梯度
print(x.grad) # 输出 x 的梯度
PyTorch 计算 z 对 x 的梯度，即 dz/dx = 2x，当 x=2 时，结果是 4。
什么是有向无环图（DAG, Directed Acyclic Graph）？
- 有向（Directed） → 计算图中的箭头表示数据流动的方向。
- 无环（Acyclic） → 计算图中不会有循环，计算只能沿着箭头的方向进行。
- 图（Graph） → 计算图连接了输入（如
x）和输出（如z）。
在 PyTorch 中，DAG 记录所有计算过程，使得梯度能够 自动计算。
为什么 PyTorch 的计算图是“动态的”？
与某些其他深度学习框架不同，PyTorch 在每次调用 .backward() 时 都会重新构建计算图，这意味着：
你可以使用 if 语句、循环等控制流，而不会影响计算图的构建。
计算图 不会固定，你可以在每次迭代中动态更改计算过程。
示例
for i in range(3):
x = torch.tensor(float(i), requires_grad=True)
y = x**3 if i % 2 == 0 else x**2
y.backward()
print(f"x={i}, 梯度={x.grad}")
每次循环，PyTorch 都会 创建新的计算图，从而支持不同的计算逻辑。
总结
计算图：跟踪张量运算的流程图
autograd 自动构建计算图
前向传播 计算输出值
反向传播 使用 链式法则 计算梯度
PyTorch 的计算图是动态的，支持灵活的运算