测试Pytorch的AutoGrad

    x=torch.Tensor([1.0])
    x.requires_grad = True
    print('x.requires_grad={}-----x.is_leaf={}'.format(x.requires_grad,x.is_leaf))
    y=x**2
    print('y.requires_grad={}-----y.is_leaf={}'.format(y.requires_grad, y.is_leaf))
    输出结果如下：
    x.requires_grad=True-----x.is_leaf=True
	y.requires_grad=True-----y.is_leaf=False
另外-->
	x=torch.Tensor([1.0])
    print('x.requires_grad={}-----x.is_leaf={}'.format(x.requires_grad,x.is_leaf))
    y=x**2
    print('y.requires_grad={}-----y.is_leaf={}'.format(y.requires_grad, y.is_leaf))
    输出结果如下：
    x.requires_grad=False-----x.is_leaf=True
	y.requires_grad=False-----y.is_leaf=True  

从以上结果可以看出，当输入的requires_grad属性为false的时候，$y=x^2$的输出$y$的is_leaf属性为True，是叶子节点，此时y的_grad_fn属性为None。当输入的requires_grad属性为True的时候，$y=x^2$的输出$y$的is_leaf属性为False，非叶子节点，此时y的_grad_fn属性为PowBackward0。
结论：
1.动态图的输出是否为叶子节点取决于动态图输入的requires_grad属性。当所有的输入叶子节点的requires_grad属性都是False的时候，那么输出的is_leaf就会等于True，一旦有某个输入的requires_grad属性是True的时候，输出的is_leaf属性就是False。
2.detach()：y.detach()会使得y的requires_grad属性为False，is_leaf属性为True，同时会清空y在图中与上一级的连接关系即将_grad_fn属性设置为None。求导的链式法则会到is_leaf属性为真的那些节点停止。
3.只有叶子节点requires_grad属性才能手动更改，对非叶子节点需要先用detach()操作将其变为叶子节点，然后才能针对requires_grad属性手动操作。