哈喽各位小伙伴，欢迎来到《PyTorch计算机视觉零基础实战教程》第三期！
前两期我们完成环境搭建、吃透Tensor张量，掌握了图像在传统CV与深度学习之间转换的全部操作。
很多粉丝跑完张量代码后提问：张量只是存储数据，模型到底是怎么“学会”识别图片、修正误差的？
答案就是本期核心：自动求导Autograd + 反向传播。
没有复杂高数推导，全部结合图像分类场景举例，学完你就能彻底理解：训练YOLO、分类网络时loss下降背后到底发生了什么。
一、什么是梯度？大白话讲解
梯度可以简单理解为：误差变化的方向与幅度。
举个CV场景例子：
模型预测图片里是猫，实际标签是狗，产生预测误差loss。
梯度会告诉我们：模型每个参数该增大还是减小，才能让误差变小。
- 正向传播：输入图片张量，模型输出预测结果（推理过程）
- 反向传播：根据预测误差计算梯度，更新模型权重（训练过程）
PyTorch最核心的优势就是Autograd自动微分引擎，不用手动求导，代码一行开启自动计算梯度。
关键标记：requires_grad
只有设置requires_grad=True的张量，才会记录运算流程、支持求梯度。
普通图像张量不需要梯度，模型权重参数必须开启梯度。
python |
二、正向传播：构建计算图
所有带梯度的张量运算，PyTorch会自动生成一张计算图，保存完整运算链路，为反向求导做准备。
模拟一个简易图像预测运算：
python |
此时pred依托weight生成，计算图已经构建完成，等待计算误差梯度。
三、反向传播backward()：自动求梯度
我们定义损失loss，调用.backward()，PyTorch自动反向计算所有参数梯度，存在.grad属性中。
完整可运行案例：
python |
运行后会自动算出梯度，梯度数值代表参数更新方向。
CV场景重点：多张图像批量梯度
训练时一批图片同时计算，梯度会自动累加，这也是DataLoader批量训练的底层逻辑。
四、梯度清零，新手高频踩坑点
PyTorch梯度不会自动覆盖，每次循环训练梯度会持续累加，导致loss不收敛、模型训练失效。
每一轮训练必须手动清零梯度：
python |
90%新手训练分类/YOLO模型不收敛，根源就是忘记清零梯度。
五、with torch.no_grad()：推理关闭梯度
图片预测、模型测试阶段，不需要计算梯度，使用torch.no_grad()关闭梯度记录：
1. 大幅节省内存、加快推理速度
2. 避免占用显存，低配置电脑也能实时摄像头检测
python |
后续YOLO摄像头实时推理会高频用到这段代码。
六、CPU/GPU梯度迁移注意事项
张量在GPU上计算梯度时，转回numpy输出必须先执行.cpu().detach()
python |
缺少detach会报计算图残留报错，做可视化、绘制loss曲线必备。
七、本期完整总结
1. requires_grad=True：开启张量梯度记录，仅模型权重需要开启；
2. 正向传播搭建计算图，backward()实现自动求导，不用手动推导数学公式；
3. 训练循环四步标准流程：清零梯度→前向计算loss→反向求梯度→更新参数；
4. 推理阶段使用torch.no_grad()关闭梯度，节约显存提升速度；
5. GPU张量提取数值必须搭配detach()，断开计算图。
下期预告
梯度原理彻底掌握后，下一期进入CV实操模块：Dataset与DataLoader数据集加载器，教你自定义图片数据集，搭建深度学习标准数据读取流水线，衔接后续手写数字分类实战项目。
文末福利
本期完整梯度演示代码、标准训练循环模板、no_grad推理工具代码整理完毕
关注【AI与计算机视觉】，跟着系列稳步学习计算机视觉深度学习！