requires_gradと計算グラフ
演算を追跡して微分できるようにします
「requires_gradと計算グラフ」はCoddyKit上の無料Deep Learning Academyレッスンです。 これはレッスン1/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはDeep Learning Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 Deep Learning Academyコースには全4レッスンが含まれています。
このレッスンの一部はまだ翻訳されておらず、英語で表示されています。
Calculus, Handled For You
Training needs derivatives, but you never compute them by hand. PyTorch's autograd watches your math and works out every gradient for you. 🤖
Tensors Can Track Themselves
A tensor only earns gradients when you ask. Set requires_grad to true and PyTorch starts recording every operation done to it.
x = torch.tensor(2.0, requires_grad=True)What Gets Recorded
Each math step on a tracked tensor is logged as a node. Together these nodes form a computation graph describing how your result was built.
The Graph Is a Recipe
Think of the graph as a recipe: inputs at the top, operations in the middle, your final loss at the bottom. Autograd reads it backward to find gradients.
Built On the Fly
PyTorch uses a dynamic graph: it is created as your code runs, not ahead of time. Normal Python loops and ifs just work inside it.
Results Stay Connected
Any tensor made from a tracked one is also tracked. Here y remembers it came from x, so its grad_fn points back to that squaring step.
y = x ** 2
print(y.grad_fn)Leaves vs Computed Nodes
Tensors you create directly are leaf nodes. Tensors produced by operations are interior nodes that link back toward those leaves.
grad_fn Names the Step
Every computed tensor carries a grad_fn telling autograd which operation made it, like PowBackward or AddBackward. Leaves have no grad_fn.
No Tracking, No Graph
If a tensor has requires_grad false, autograd ignores it and builds no graph. That saves memory whenever you do not need gradients.
Why the Graph Matters
The graph is what makes the backward pass possible. Without this recorded history, PyTorch would have no way to know how the loss depends on each weight.
You Just Write Forward
The beauty is you only code the forward math. Autograd silently assembles the graph so the gradients are ready the moment you ask for them.
Quick Check
Recap
Set requires_grad and PyTorch records your math into a computation graph. That recorded history is what autograd later reads backward to find every gradient. ✨
よくある質問
「requires_gradと計算グラフ」レッスンは無料ですか？
はい。「requires_gradと計算グラフ」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、Deep Learning Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 Deep Learning Academyコースには全4レッスンが含まれています。
「requires_gradと計算グラフ」で何を学びますか？
演算を追跡して微分できるようにします ブラウザで直接実行するハンズオンコードでDeep Learning Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
Deep Learning Academyを始めるのに経験は必要ですか？
事前経験は必要ありません。CoddyKitのDeep Learning Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン1/4です。
「requires_gradと計算グラフ」レッスンにはどのくらい時間がかかりますか？
ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このDeep Learning Academyレッスンでコードを書いて実行できますか？
はい。すべてのDeep Learning Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。
このコースのすべてのレッスン
- requires_gradと計算グラフ
- backward()を呼び出して勾配を取得する
- .gradの読み取りとゼロ化
- 推論のためのtorch.no_grad()