时间序列预测（十四）——计算图追踪

 计算图追踪通常是指在深度学习框架（如PyTorch）中，系统自动追踪张量（Tensor）之间的运算关系，以构建计算图（computation graph）的过程。计算图是一种有向无环图，用于表示深度学习模型中各个变量（张量）之间的依赖关系和运算操作。

具体来说，在计算图追踪的过程中，每当一个可微分张量（通常设置为requires_grad=True）经过一个运算操作时，系统就会记录这个操作及其输入和输出张量，从而在计算图中形成一个节点（代表运算操作）和相应的边（代表张量之间的依赖关系）。这个过程是自动进行的，不需要手动构建计算图，其实按我的理解就是代码之间的计算逻辑关系。

计算图追踪的主要目的是为了支持反向传播算法（Backpropagation），这是深度学习模型训练过程中的关键步骤。在反向传播过程中，系统会根据计算图中记录的运算关系和梯度信息，从输出层开始逐层向输入层传播误差信号，并计算每个参数的梯度。这些梯度随后用于更新模型的参数，以最小化损失函数。

以下是对计算图追踪的详细介绍：

1、计算图的基本概念

• 计算图：由节点和边组成的图，节点表示操作或变量（如加法、乘法、激活函数等），边表示数据（通常是张量）在这些操作之间流动的关系。
• 有向图：计算图是有向的，表示数据的流动方向，通常是从输入到输出。