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
y=x^{2}
y=x2的输出
y
y
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
y=x^{2}
y=x2的输出
y
y
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。