一句话：自动微分（Autograd）是深度学习框架自动、精确算出每个参数梯度的机制——你只管写前向计算，求导交给它。
很多人把自动微分和反向传播（AI 词典：Backpropagation">Backpropagation）当成一回事，其实分工不同：反向传播是"从后往前套链式法则（Chain Rule）"的数学方法，自动微分是把它工程化、塞进框架里能自动跑起来的那套系统。
原理大致两步。第一步，前向计算时框架悄悄记账：每个张量（Tensor）的运算都被记进一张计算图（Computational Graph）——谁是谁的输入、用了什么运算，节点和边都留着。第二步，你调用一次反向接口（比如 backward()），框架从输出节点出发沿图往回走，每遇到一个运算就取它的局部导数，一路乘回来，每个需要梯度的参数都拿到自己的梯度。
打个比方：做一锅汤，你每加一样料都记一笔——3 克盐、50 毫升酱油、炖 20 分钟。最后尝出偏咸，想追问"盐少放 1 克，咸度会降多少"，不必重做一遍汤，顺着记录倒推每一步的影响就行。计算图就是那本流水账，链式法则是倒推的规则。
关键是：自动微分既不是数值微分（Numerical Differentiation，用差商近似，有误差也慢），也不是符号微分（Symbolic Differentiation，把表达式硬展开，容易爆炸）。它算的是解析导数，又复用中间结果，所以既准又快。
| 方式 | 做法 | 问题 |
|---|---|---|
| 数值微分 | 参数加一点点，看输出变多少 | 只是近似，参数多则计算量大 |
| 符号微分 | 对表达式做代数求导 | 表达式膨胀，复杂模型扛不住 |
| 自动微分 | 记录计算图，反向套链式法则 | 要存中间结果，吃显存 |
自动微分还分前向模式（Forward Mode）和反向模式（Reverse Mode）。深度学习的典型场景是"几百万个参数、一个损失值"，反向模式一次就能拿到全部梯度，所以框架默认走反向模式。
对从业者的意义很直接：模型结构改一行，梯度不用重推。手写梯度在浅层网络时代还勉强能忍，到几十层基本不可维护。更进一步，凡是能写成可微计算图的流程，都能接优化器（Optimizer）做梯度下降（Gradient Descent）——不只神经网络，物理仿真、渲染、控制里也在用。
几个日常会踩的点：推理时用 no_grad 之类方式关掉记录，省显存；想把某段计算摘出图、不让梯度传过去，用 detach；调梯度异常时，先怀疑某步操作不可微或被意外截断。
一句话：模型定义回答"怎么算"，自动微分回答"往哪个方向调、调多少"。具体 API 名称与行为，以你所用法版本的官方文档为准。