叶子节点和tensor的requires_grad参数

无论如何定义计算过程、如何定义计算图，要谨记我们的核心目的是为了计算某些tensor的梯度。在pytorch的计算图中，其实只有两种元素：数据（tensor）和运算，运算就是加减乘除、开方、幂指对、三角函数等可求导运算，而tensor可细分为两类：叶子节点(leaf node)和非叶子节点。使用backward()函数反向传播计算tensor的梯度时，并不计算所有tensor的梯度，而是只计算满足这几个条件的tensor的梯度：1.类型为叶子节点、2.requires_grad=True、3.依赖该tensor的所有tensor的requires_grad=True。首先，叶子节点可以理解成不依赖其他tensor的tensor，如下图

在pytorch中，神经网络层中的权值w的tensor均为叶子节点；自己定义的tensor例如a=torch.tensor([1.0])定义的节点是叶子节点；一个有趣的现象是：

import torch
a=torch.tensor([1.0])

a.is_leaf
True

b=a+1
b.is_leaf
True

可以看出b竟然也是叶节点！这件事可以这样理解，单纯从数值关系上b=a+1，b确实依赖a。但是从pytorch的看来，一切是为了反向求导，a的requires_grad属性为False，其不要求获得梯度，那么a这个tensor在反向传播时其实是“无意义”的，可认为是游离在计算图之外的，故b仍然为叶子节点，如下图

再例如下图的计算图，本来是叶子节点是可以正常进行反向传播计算梯度的：

但是使用detach()函数将某一个非叶子节点剥离成为叶子节点后：

无论requires_grad属性为何值，原先的叶子节点求导通路中断，便无法获得梯度数值了。其次，如上所示，对于需要求导的tensor，其requires_grad属性必须为True，例如对于下图中最上面的叶子节点，pytorch不会自动计算其导数。

自己定义的tensor的requires_grad属性默认为False，神经网络层中的权值w的tensor的requires_grad属性默认为True。需要说明，如果自行定义了一个tensor并将其requires_grad设置为True，该tensor是叶子节点，且依赖该tensor的其他tensor是非叶子节点（非叶子节点不会自动求导），其requires_grad自动设置为True，这样便形成了一条从叶节点到loss节点的求导的“通路”。

import torch
a=torch.tensor([1.0])
a.requires_grad=True

b=a+1
b.is_leaf
False
b.requires_grad
True

而对于非叶子节点，其不仅requiresgrad属性为True，而且还有一个grad_fn属性，记录了该节点产生时使用的运算函数，加？乘方？使得反向求导时可以计算梯度。另外，如果需要使得某一个节点成为叶子节点，只需使用detach()即可将它从创建它的计算图中分离开来。