实现pytorch的反向传播。

在PyTorch中，反向传播（Backpropagation）是一个核心过程，用于训练神经网络。它基于链式法则，通过自底向上更新模型权重，以最小化损失函数。以下是基本步骤：

1. **前向传播**（Forward Propagation）: 首先计算网络的输出，给定输入数据和当前权重。

2. **损失计算**（Loss Calculation）: 根据模型预测和真实标签计算损失函数，例如均方误差、交叉熵等。

3. **创建梯度**（Gradient Initialization）: 对于每一个需要优化的参数，初始化它们的梯度值为0。

4. **自动求导**（Automatic Differentiation）: PyTorch的`autograd`模块会跟踪所有的操作并记录中间结果，以便后续的反向传播。

5. **反向传播**（Backward Pass）: 调用`.backward()`方法，该方法从损失开始回溯整个计算图，根据链式法则计算每个参数对损失的贡献，即梯度。

6. **权重更新**（Weight Update）: 使用优化算法如SGD、Adam等，按照学习率调整每个参数的梯度，然后更新参数值。

# 假设有一个简单的线性模型和loss函数
inputs = torch.randn(10, 2)
labels = torch.randn(10, 1)

# 假设model是nn.Linear模型，optimizer是优化器如torch.optim.SGD
outputs = model(inputs)
loss = loss_fn(outputs, labels)
loss.backward()  # 自动求导
optimizer.step()  # 更新参数