当用户定义了一个继承自 nn.Module 的神经网络模型，并通过调用 model.forward(input) 进行前向传播时，PyTorch 会根据执行的张量操作序列自动构建并维护一个动态计算图，其中的详细过程是：

1. 初始化输入： 用户首先准备输入数据作为张量，并将其传递给模型。例如：input_data = torch.randn(batch_size, input_features)。

2. 执行前向传播： 当调用model.forward(input_data)时，模型内部开始按顺序执行各个层的操作。这些操作可能包括但不限于卷积、线性变换（全连接层）、激活函数应用（如ReLU、Sigmoid等）以及池化等。

3. 动态构建计算图： 在执行每一步涉及张量的操作时，PyTorch都会记录这个操作及其输入和输出的关系，形成一个节点在网络计算图中。例如，当执行conv_layer(input_data)时，会创建一个新的节点代表卷积运算，该节点的输入是input_data，输出是经过卷积后的张量。

4. 维护依赖关系： 计算图中的边表示了节点间的依赖关系，即一个节点的输出是另一个节点的输入。这种依赖关系在反向传播过程中至关重要，因为它确定了梯度传播的方向。

5. 实时更新与销毁： 每次前向传播都根据当前输入数据即时构建一个全新的动态计算图，且在完成一次前向传播和相应的反向传播后，系统不会持久保存这次计算图的具体结构，而是会在下次前向传播时重新构建。

6. 自动求导与参数更新： 当计算出损失并调用.backward()方法时，PyTorch会沿着动态构建的计算图进行反向传播，自动计算所有参与运算的参数相对于目标变量（通常是损失函数）的梯度，并将这些梯度存储在对应参数的 .grad 属性中。然后，优化器使用这些梯度信息来更新模型参数，实现模型训练的目的。

       在PyTorch中，动态计算图构建过程是一个隐式的过程，它随着代码的执行实时地构建和更新。下面详细描述这个过程并结合具体代码示例：

1. 定义模型（nn.Module）：

       首先，用户需要定义一个继承自torch.nn.Module的类来创建神经网络模型。在这个类中，通常会重写__init__()方法初始化所有需要的层，并实现forward()方法定义前向传播逻辑。

Python

1import torch
2from torch import nn
3
4class MyModel(nn.Module):
5    def __init__(self):
6        super(MyModel, self).__init__()
7        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
8        self.relu = nn.ReLU()
9        self.fc = nn.Linear(64 * output_size, num_classes)
10
11    def forward(self, x):
12        # 前向传播步骤
13        x = self.conv1(x)  # 第一个节点：卷积操作
14        x = self.relu(x)   # 第二个节点：ReLU激活函数应用
15        x = x.view(-1, 64 * output_size)  # 可能的第三个节点：数据重塑
16        x = self.fc(x)     # 第四个节点：全连接层操作
17        return x

2. 实例化模型与输入张量：

       创建模型实例，并生成或加载一个输入张量（即样本数据），同时确保该张量要求计算梯度。

Python

1model = MyModel()
2input_data = torch.randn(batch_size, 3, image_height, image_width).requires_grad_()

3. 执行前向传播（构建动态计算图）：

      当调用 model.forward(input_data) 时，PyTorch开始根据张量运算序列自动构建动态计算图。

Python

1output = model(input_data)

• 在这个过程中，每一步涉及张量的操作都会被记录下来，并形成计算图中的节点。例如，在上面的代码中：
  • conv1(x) 形成了一个代表卷积操作的节点。
  • relu(x) 形成了一个代表ReLU激活函数应用的节点。
  • fc(x) 形成了一个代表全连接层操作的节点。
  • 节点之间的边则表示了数据依赖关系，也就是从一个节点输出到另一个节点输入的张量流。

4. 计算损失：

       计算损失函数，这里假设使用交叉熵损失（CrossEntropyLoss）。

Python

1loss_fn = nn.CrossEntropyLoss()
2target_labels = torch.tensor([...])  # 假设是适当的标签数据
3loss = loss_fn(output, target_labels)

5. 反向传播求梯度：

调用 .backward() 方法启动反向传播过程。PyTorch将依据动态计算图自底向上回溯，计算每个参数相对于损失函数的梯度。

Python

1loss.backward()

在上述过程中，动态计算图构建的关键在于，它不预先固定网络结构，而是随着程序运行时的具体情况进行构建和销毁。这意味着每次迭代可以处理不同的输入大小、改变网络结构，甚至在某些情况下支持条件分支和循环结构，从而提供了极大的灵活性。