はじめに
PyTorch入門第1回では，pytorchの基本操作を行いました．ここら辺は，numpyやmatlabを触ったことがあるので行列操作は問題ありませんでした．頑張るのはここからです．DeepLearning初心者にとっては厳しいですね…．
autograd
PyTorchのニューラルネットワークはautogradパッケージが中心になっています．autogradは自動微分機能を提供します．つまり，このパッケージを使うと勝手に微分の計算を行ってくれると言うことです．
これはdefine-by-runフレームワークです．define-by-runについてはここを参照（まとめると，順伝播のコードを書くだけで逆伝播が定義できると言うことらしいです）．
勾配の計算
autogradについては言葉で説明するより，実際のコードを見た方が理解が早いと思うので，簡単な式の勾配を計算するコードを参考に説明します．
##コードの全体像
import torch
# テンソルを作成
# requires_grad=Trueで自動微分対象を指定
x = torch.tensor(1.0, requires_grad=True)
w = torch.tensor(2.0, requires_grad=True)
b = torch.tensor(3.0, requires_grad=True)
# 計算グラフを構築
# y = 2 * x + 3
y = w * x + b
# 勾配を計算
y.backward()
# 勾配を表示
print(x.grad) # dy/dx = w = 2
print(w.grad) # dy/dw = x = 1
print(b.grad) # dy/db = 1
tensor(2.)
tensor(1.)
tensor(1.)
##コードの詳細
##計算グラフの構築
計算グラフは， requires_grad=Trueで微分対象に指定されたtensorと，Functionパッケージの２つで構築されます．
# テンソルを作成
# requires_grad=Trueで自動微分対象を指定
x = torch.tensor(1.0, requires_grad=True)
w = torch.tensor(2.0, requires_grad=True)
b = torch.tensor(3.0, requires_grad=True)
# 計算グラフを構築
# y = 2 * x + 3
y = w * x + b
###requires_grad
requires_gradでは，requires_grad=Trueとすることで微分対象のtensorを指定します．デフォルトではrequires_grad=Falseとなっており，このままだと微分の対象にはならず，勾配にはNoneが返ります．requires_grad=FalseはFine-tuningで層のパラメータを固定したいときに便利だそうです．
実際に，requires_grad=Trueと指定すると，以下のように表示されます．
x = torch.tensor(1.0, requires_grad=True)
print(x)
tensor(1., requires_grad=True)
###grad_fn
autogradにはFunctionと言うパッケージがあります．requires_grad=Trueで指定されたtensorとFunctionは内部で繋がっており，この２つで計算グラフが構築されています．この計算グラフに計算の記録が全て残ります．生成されたtensorのそれぞれに.grad_fnという属性があり，この属性によってどのFunctionによってtensorが生成されたのかを参照できます．ただし，ユーザによって作られたtensorの場合grad_fnはNoneとなります．
a = torch.tensor(1.0, requires_grad=True)
print(a.grad_fn)
b = a+2 # bは足し算(add)によって形成
print(b.grad_fn)
None
<AddBackward object at 0x7f740ffc0eb8>
##勾配の算出
# 勾配を計算
y.backward()
# 勾配を表示
print(x.grad) # dy/dx = w = 2
print(w.grad) # dy/dw = x = 1
print(b.grad) # dy/db = 1
backward()を実行すると，グラフを構築する勾配を計算し，各変数の.gradと言う属性にその勾配が入ります．