Pytorch 定义ReLU自动加载函数时，为什么需要克隆grad_输出并将其分配给grad_输入？

我正在浏览pytorch教程的自动签名部分。我有两个问题：

为什么我们需要克隆

grad\u输出

，并将其分配给

grad\u输入

，而不是在反向传播期间进行简单分配

梯度输入[input<0]=0

的目的是什么？这是否意味着当输入小于零时，我们不更新梯度

代码如下：

MyReLU类（torch.autograd.Function）： @静力学方法 def前进档（ctx，输入）： """ 在向前传球时，我们收到一个包含输入和返回的张量 包含output.ctx的张量是可以使用的上下文对象 为反向计算存储信息。您可以缓存任意 使用ctx.save_for_backward方法在向后过程中使用的对象。 """ ctx.save_for_backward（输入） 返回输入。钳位（最小值=0） @静力学方法 def向后（ctx、梯度输出）： """ 在后向传递中，我们得到一个包含损失梯度的张量 关于输出，我们需要计算损耗的梯度 关于输入。 """ 输入，=ctx.u张量 grad\u input=grad\u output.clone（） 梯度输入[输入<0]=0 返回梯度输入 链接此处：

先谢谢你

为什么我们需要克隆grad_输出并将其分配给grad_输入，而不是反向传播期间的简单分配

tensor.clone（）
clone
是一种复制张量的方法，同时仍将该副本保留为其来源的计算图的一部分

因此，
grad\u输入
与
grad\u输出
是同一计算图的一部分，如果我们计算
grad\u输出
的梯度，那么
grad\u输入
也会做同样的事情

因为我们在
梯度输入中进行了更改，所以我们首先克隆它

“梯度输入[输入<0]=0”的目的是什么？这是否意味着当输入小于零时，我们不更新梯度

这是根据ReLU函数的定义完成的。ReLU函数是
f（x）=max（0，x）
。这意味着如果感谢你的回答，你真的帮了我很多！不只是执行
返回梯度输出。夹紧（最小值=0）
或
返回F.relu（梯度输出）
的原因是什么？克隆方法更有效吗？