许多计算任务，特别是在机器学习 (machine learning)模型训练中，需要计算函数的梯度。自动微分提供了一种高效的方法来计算这些导数。本章将介绍 jax.grad，它是JAX的核心变换，用于从处理数值输入的Python代码中获取梯度函数。

您将学习如何：

• 应用 jax.grad 计算标量值函数 $f$ 的梯度 $∇f(x)$。
• 理解 grad 所使用的反向模式自动微分的基本原理。
• 控制对特定函数参数 (parameter)的微分。
• 通过组合 grad 计算高阶导数。
• 使用 jax.value_and_grad 高效地同时获取函数的输出值及其梯度。
• 了解控制流如何与微分关联，并识别潜在的局限性。

到本章结束时，您将能够有效使用 jax.grad 在JAX框架内对您的数值函数进行求导。