如何理解在 PyTorch 中创建叶张量？

Question

来自 PyTorch文档：

b = torch.rand(10, requires_grad=True).cuda()
b.is_leaf
False
# b was created by the operation that cast a cpu Tensor into a cuda Tensor

e = torch.rand(10).cuda().requires_grad_()
e.is_leaf
True
# e requires gradients and has no operations creating it

f = torch.rand(10, requires_grad=True, device="cuda")
f.is_leaf
True
# f requires grad, has no operation creating it

但是，当e和f叶张量也都是从 CPU 张量转换为 Cuda 张量（一种运算）时，为什么它们是 Cuda 张量？

是因为Tensor在就地操作之前e就被投进了Cuda吗？requires_grad_()

因为f是通过赋值device="cuda"而不是通过方法来转换的.cuda()？

Answer 1

当张量第一次创建时，它成为叶节点。

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，它就不再是叶节点。

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_grad_()cuda()与其他操作不同。
它创建一个新的张量，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

此外，detach()操作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

在最后一个示例中，我们创建了一个已存在于 cuda 设备上的新张量。
我们不需要任何操作来投射它。

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