现在对 CNN 有了一定的了解，同时在 GitHub 上找了几个 examples 来学习，对网络的搭建有了笼统地认识，但是发现有好多基础 pytorch 的知识需要补习，所以慢慢从官网 API 进行学习吧。

　　这一部分做了解处理，不需要完全理解的明明白白的。

Excluding subgraphs from backward

　　每一个 Tensor 变量都可以设置一个属性：requires_grad（默认参数 False），可以设置此参数排除向后梯度求导时排除子图，提高运行效率。

 1 import torch
 2 x = torch.randn(3, 3) # requires_grad=False by default
 3 y = torch.randn(3, 3)
 4 z = torch.randn(3, 3, requires_grad= True)
 5 
 6 a = x + y
 7 print(a.requires_grad) # False
 8 
 9 b = z + a
10 print(b.requires_grad) # True

　　这个设置在如下情况很好用：你提前知道你不需要某个参数的梯度。例如，你需要微调网络的时候，你只需要在最后一层将变量的 requires_grad 属性切换一下，因为仿射装换需要使用通过梯度调整的权重，而且输出结果也需要它。

1 model = torchvision.models.resnet18(pretrained=True)
2 for param in model.parameters():
3     param.requires_grad = False  # 切换模式
4 # Replace the last fully-connected layer
5 # Parameters of newly constructed modules have requires_grad=True by default
6 model.fc = nn.Linear(512, 100)
7 
8 # Optimize only the classifier
9 optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

How autograd encodes the history（自动求导如何编码历史信息）

　　Autograd is reverse automatic (反向自动) differentiation system.....（这段话有点难翻译）。

　　个人觉得关键是：When computing the forwards pass, autograd simultaneously performs the requested computations and builds up a graph representing the function that computes the gradient (the .grad_fn attribute of each torch.Tensor is an entry point into this graph)

　　Pytorch学习（一）—— 自动求导机制

In-place operations with autograd(自动求导中使用 in-place)

　　在自动求导中支持 in-place 是件困难的事，在多数场合下我们并不鼓励你使用。

In-place correctness checks(in-place 的正确性检擦)

　　每一个 tensor 变量都拥有版本计数器，每次被调用都会加一，当一个 Function 保留 tensor 用来向后计算时，也会保存这个版本计数器。当你访问 self.saved_tensors 的时候，就会检查版本计数器的值，如果大于计数器的值，就会报错。