怎么设置requires_grad=True

在 PyTorch 中，可以通过设置张量的 `requires_grad` 属性为 `True` 来使其支持梯度计算。对于模型的参数，可以在创建它们时设置 `requires_grad=True`，如下所示：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1, bias=True)
        self.fc.weight.requires_grad = True
        self.fc.bias.requires_grad = True

    def forward(self, x):
        x = self.fc(x)
        return x

在这个例子中，我们使用了 PyTorch 内置的线性层 `nn.Linear` 创建了一个全连接层，然后将其权重和偏置的 `requires_grad` 设置为 `True`。这样，当我们在模型中前向传播时，这些参数就会被包含在计算图中，以便计算梯度。

对于普通的张量，可以使用 `tensor.requires_grad_()` 方法来将其 `requires_grad` 属性设置为 `True`，如下所示：

import torch

x = torch.randn(10, 10)
x.requires_grad_()

这样，当我们在计算图中执行前向传播和反向传播时，张量 `x` 就会被包含在其中，以便计算梯度。