Python 如何使用就地ops断开PyTorch autograd

我正试图更好地理解PyTorch autograd中就地操作的作用。 我的理解是，它们可能会导致问题，因为它们可能会覆盖倒退过程中所需的值

我正在尝试建立一个例子，其中一个就地操作破坏了自动微分，我的想法是在反向传播过程中，在它被用来计算其他张量之后，覆盖一些需要的值

我使用赋值作为就地操作（我尝试了

+=

，得到了相同的结果），我通过以下方式再次检查了它是否为就地操作：

x=torch.arange（5，dtype=torch.float，需要_grad=True）
y=x
y[3]=-1
打印（x）

印刷品：

tensor([ 0.,  1.,  2., -1.,  4.], grad_fn=<CopySlices>)

这张照片

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

使用就地op：

x=torch.arange（5，dtype=torch.float，需要_grad=True）
out1=x**2
out2=out1/10
out1[3]=0
out2.sum（）.backward（）
打印（x.grad）

这张照片是：

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

我希望获得不同的学位

• 项目分配在做什么？我没有得到

  grad\u fn=

• 为什么它返回相同的毕业生
• 是否有破坏自动标记的就地操作的工作示例
• 是否有不向后兼容的PyTorch操作列表

---

破坏自动加载的就地操作的工作示例：

x=torch.ones（5，需要_grad=True）
x2=（x+1）.sqrt（）
z=（x2-10）
x2[0]=-1
z、 sum（）.backward（）

提出：

RuntimeError：梯度计算所需的一个变量已被就地操作修改：[torch.FloatTensor[5]]，它是SqrtBackward的输出0，处于版本1；应为版本0。提示：使用torch.autograd.set_detect_normal（True），启用异常检测以查找无法计算其梯度的操作。