8 从0开始学PyTorch | PyTorch中自动计算梯度、使用优化器

上一节，我们写了很多代码，但是不知道你有没有注意，那些代码看起来跟PyTorch关系并不是很大啊，貌似很多都是Python原生代码？

如果你是这样的感觉，那我要告诉你，你感觉的没有错。前面主要在于机制的理解，我们实际上用手动的方式实现了一遍模型求解的过程，主要的改进就是使用了PyTorch里面的tensor数据结构，但是这还不够，PyTorch提供了很多强大的功能，当然不只是在处理tensor上面的，接下来我们就要看一下，PyTorch提供的方便我们运算的各种功能。

自动计算梯度

上次我们用手动求导计算梯度，可是你别忘了，那个包浆的温度计变换只需要2个参数，而如果有10亿个参数，那用手可是求导不过来啊。不要怕，PyTorch给出了自动求导机制。在PyTorch中，可以存储张量的生产路径，包括一个张量经过了何种计算，得到的结果有哪些，借助这个能力，对于我们用到的tensor，就可以找到它的爷爷tensor和它的爷爷的爷爷tensor，并且自动对这些操作求导，所有这些只需要你的一句“我需要autograd功能”。

我们来看一下实现方式，如果你已经把上一节的代码关了，没关系，这里我们从头写起，包括原始数据，紧接着是模型函数和loss函数，最后是给params初始化，这里唯一的区别就是，我们之前的初始化参数是这么写的：
params = torch.tensor([1.0, 0.0])
现在我们在tensor方法内部加上了一个参数requires_grad，并给它赋值True

%matplotlib inline
import numpy as np
import torch
torch.set_printoptions(edgeitems=2)

t_c = torch.tensor([0.5, 14.0, 15.0, 28.0, 11.0, 8.0,
                    3.0, -4.0, 6.0, 13.0, 21.0])
t_u = torch.tensor([35.7, 55.9, 58.2, 81.9, 56.3, 48.9,
                    33.9, 21.8, 48.4, 60.4, 68.