grad_fn 里面的next_functions 属性

next_functions 反向传播计算图的记录。
在反向图的计算中，计算图终止于叶子AccumulateGrad节点。有一个.variable属性指向叶子节点。

例子：

a = torch.randn(1, requires_grad=True)
b = a*(a+2)
print (b.grad_fn.next_functions)
print (b.grad_fn.next_functions[1][0].next_functions)
print (b.grad_fn.next_functions[0][0].variable is a)

输出：

((<AccumulateGrad object at 0x7fbe7aa96780>, 0), (<AddBackward0 object at 0x7fbe7aa96748>, 0))
((<AccumulateGrad object at 0x7fbe7aa96780>, 0), (None, 0))
True

对于a*(a+2) 一个图分支是a，另一个图分支是a+2。第二个图分支含有一个a分支和一个常数2 分支

对反向传播的梯度进行处理

  p_tmp = p.expand_as(p)
  grad_acc = p_tmp.grad_fn.next_functions[0][0]
  hook_removehandle=grad_acc.register_hook(self._make_hook(p))
  self._hooks_removableHandle.append(hook_removehandle)
#使用remove去除gradient上面的函数
 hook_removehandle.remove()