maskrcnn_benchmark理解记录——layers\roi_align.py @staticmethod 及@once_differentiable用于不可导function的反向传播

参考：【1】、【2】、【3】

调用某个类的方法，需要先生成一个实例，再通过实例调用方法。Python提供了两个修饰符@staticmethod @classmethod可以使用类直接进行调用。

@staticmethod 声明方法为静态方法，直接通过 类||实例.静态方法（）调用。经过@staticmethod修饰的方法，不需要self参数，其使用方法和直接调用函数一样。

一：关于torch.autograd.Function

属性（成员变量）
saved_tensors: 传给forward()的参数，在backward()中会用到。
needs_input_grad:长度为 :attr:num_inputs的bool元组，表示输出是否需要梯度。可以用于优化反向过程的缓存。
num_inputs: 传给函数 :func:forward的参数的数量。
num_outputs: 函数 :func:forward返回的值的数目。
requires_grad: 布尔值，表示函数 :func:backward 是否永远不会被调用。

成员函数
forward()可以有任意多个输入、任意多个输出，但是输入和输出必须是Variable。(官方给的例子中有只传入tensor作为参数的例子)
backward()的输入和输出的个数就是forward()函数的输出和输入的个数。其中，backward()输入表示关于forward()输出的梯度(计算图中上一节点的梯度)，
backward()的输出表示关于forward()的输入的梯度。在输入不需要梯度时（通过查看needs_input_grad参数）或者不可导时，可以返回None'''

二、#扩展 torch.autograd

虽然pytorch可以自动求导，但是有时候一些操作是不可导的，这时候你需要自定义求导方式。也就是所谓的 “Extending torch.autograd”.

自动求导是根据每个op的backward创建的graph来进行的, 是在backward的操作中创建计算图,因此：

1. forward函实际操作的对象是tensor。输入tensor,计算输出tensor 
<