backward 反向传播

1. 在训练过程中，通过循环进行多次迭代，每次迭代都进行前向传播计算预测值y_pred和损失loss，接着进行反向传播计算梯度，并根据梯度更新权重和偏置。
2. 反向传播计算梯度的本质是损失函数对于模型各层参数的梯度。
3. requires_grad：张量的属性，设为True时，PyTorch会跟踪该张量的操作并计算梯度。如x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)。
4. 以PyTorch为例，在前向传播时，它会自动记录对requires_grad=True的张量所进行的操作，当调用backward()函数时，就会触发反向传播，自动计算并填充这些张量的grad属性，即存储损失函数关于这些张量的梯度。

Case 1 计算梯度：

Case 2 线性回归：