在条件神经网络训练中，为什么对于条件特征采取 “don‘t compute derivative w.r.t. inputs”？

在条件神经网络训练中，"don't compute derivative w.r.t. inputs" 意味着不计算相对于条件特征的输入的梯度。这在某些情况下是有用的，主要出于以下考虑：

1. 条件特征是固定的：在条件神经网络中，通常会使用来自外部的条件信息，例如文本描述、图像标签或其他特征。这些条件特征通常是固定的，不会根据损失函数进行训练。在这种情况下，计算条件特征的输入梯度没有实际意义，因为这些特征不会被调整。

2. 计算效率：计算相对于条件特征的输入梯度可能会增加计算的复杂性，尤其是如果条件特征维度较高或计算资源有限的情况下。在训练期间，重点通常是调整模型的参数以适应数据，而不是条件特征本身。

3. 梯度爆炸或梯度消失问题：如果条件特征包含大量高度相关的信息，它们的梯度可能对训练的稳定性产生不利影响。通过不计算相对于条件特征的输入梯度，可以减少梯度传播中的问题。

因此，在条件神经网络中，根据具体的任务和需求，可以选择 不计算相对于条件特征的输入的梯度。这通常可以通过在深度学习框架中的相应参数或配置中设置来实现。这样可以提高训练效率，减少不必要的计算，并避免潜在的问题。