Python 如何理解在PyTorch中创建叶张量？

来自PyTorch：

但是为什么

e

和

f

叶张量也从CPU张量转换成Cuda张量（一种操作）

是因为Tensor

e

在原位操作

需要_grad(

)之前铸入Cuda吗

---

因为当张量第一次被创建时，

f

是通过赋值

device=“cuda”

而不是通过方法

.cuda（）

？

来强制转换的，所以它成为一个叶节点

基本上，神经网络的所有输入和权重都是计算图的叶节点

当对张量执行任何操作时，它不再是叶节点

b = torch.rand(10, requires_grad=True) # create a leaf node
b.is_leaf # True
b = b.cuda() # perform a casting operation
b.is_leaf # False

requires\u grad（）

与

cuda（）

或其他操作的方式不同。
它创建了一个新的张量，因为需要梯度（可训练权重）的张量不能依赖于其他任何东西

e = torch.rand(10) # create a leaf node
e.is_leaf # True
e = e.cuda() # perform a casting operation
e.is_leaf # False
e = e.requires_grad_() # this creates a NEW tensor
e.is_leaf # True

另外，

detach（）

操作会创建一个不需要梯度的新张量：

b = torch.rand(10, requires_grad=True)
b.is_leaf # True
b = b.detach()
b.is_leaf # True

在上一个示例中，我们创建了一个新的张量，它已经在cuda设备上了。
我们不需要任何手术来投下它

f = torch.rand(10, requires_grad=True, device="cuda") # create a leaf node on cuda

f = torch.rand(10, requires_grad=True, device="cuda") # create a leaf node on cuda