Pytorch如何构建计算图

以下是网站上的pytorch代码示例：

class Net(nn.Module):

def __init__(self):
    super(Net, self).__init__()
    # 1 input image channel, 6 output channels, 3x3 square convolution
    # kernel
    self.conv1 = nn.Conv2d(1, 6, 3)
    self.conv2 = nn.Conv2d(6, 16, 3)
    # an affine operation: y = Wx + b
    self.fc1 = nn.Linear(16 * 6 * 6, 120)  # 6*6 from image dimension
    self.fc2 = nn.Linear(120, 84)
    self.fc3 = nn.Linear(84, 10)

def forward(self, x):
    # Max pooling over a (2, 2) window
    x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
    # If the size is a square you can only specify a single number
    x = F.max_pool2d(F.relu(self.conv2(x)), 2)
    x = x.view(-1, self.num_flat_features(x))
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)
    return x

在forward函数中，我们只对x应用一系列变换，但从未明确定义哪些对象是该变换的一部分。然而，当计算梯度和更新权重时，Pytorch“神奇地”知道要更新哪些权重以及应该如何计算梯度

---

这个过程是如何工作的？是否正在进行代码分析，或者我遗漏了什么？

是的，在前向传递上有隐式分析。检查结果张量，有一个类似于

grad\u fn=

的链接，允许您展开整个计算图。它是在真正的正向计算过程中构建的，无论您如何定义网络模块，都是以“nn”或“函数”方式面向对象的

---

你可以利用这个图进行网络分析，就像torchviz在这里所做的那样：

我不太确定代码的哪一部分导致了这里的混乱，但是返回的

x

确实有关于层的信息，例如：

x=self.fc3（x）

最终得到一个张量，该张量应用了特定的

nn.Linear

。如果你

print（x）

你甚至可以看到它有一个

grad\u fn

属性。很抱歉，这似乎是一个编程问题，所以它是离题的。请读一读。