今天咱们来聊聊深度学习里的 “核心引擎”—— 自动微分。刚学 PyTorch 的时候，我总在想：模型是怎么自己调整权重的？梯度又是怎么算出来的？其实这背后的关键就是自动微分。
这篇文章会从最基础的单轮更新讲起，一步步带你理解多轮训练中的梯度处理，最后结合实际案例看看怎么用自动微分推导权重和偏置的梯度。全程代码实操，保证通俗易懂！
一、先搞懂：什么是自动微分？
简单说，自动微分就是 PyTorch 帮我们自动计算导数（梯度）的功能。在深度学习里，我们需要通过梯度来调整模型的权重（比如让损失越来越小），手动算梯度不仅麻烦，还容易出错。有了自动微分，只需要一行代码就能搞定梯度计算，简直是炼丹必备！
二、单轮梯度更新：从 0 到 1 理解过程
咱们先从最简单的单轮更新开始，看看自动微分是怎么工作的。
代码实操：单轮更新示例
import torch # 1. 定义需要求导的权重（必须是浮点型，且开启requires_grad） w = torch.tensor([10, 20], requires_grad=True, dtype=torch.float) print('初始权重 w--->', w) print('初始梯度 w.grad--->', w.grad) # 刚开始没计算梯度，所以是None这里有两个关键点：
requires_grad=True：告诉 PyTorch"这个张量需要计算梯度"- 必须是浮点型（
dtype=torch.float）：PyTorch 只对浮点张量支持自动微分
接下来定义一个简单的损失函数（可以理解为 “误差”），这里用
