在PyTorch中，默认情况下，非叶节点的梯度值在反向传播过程中使用完后就会被清除，不会被保留，只有叶子节点的梯度值能够被保留下来。对于非叶子节点而言，PyTorch出于节省内存的考虑，通常不会保存节点的到数值。总之，一句话：在调用backward()时，只有当节点的requires_grad和is_leaf同时为真时，才会计算节点的梯度值，也就是说节点的grad属性才会赋值，否则为None

3、如何创建叶子节点？

简单来说，所有用户创建的向量都是叶子结点。其中分为两种情况，分别为显示叶子节点和隐式叶子节点：

（1）用户创建的训练数据，因为显而易见所以称之为“显示叶子节点”

import torch
input = torch.ones([2, 2])

（2）用户创建的网络模型中自带的权重参数，因为暗藏其中所以称之为“隐式叶子节点”。例如，nn.Linear(), nn.Conv2d()等网络模型, 它们是用户创建的，其内部的权重参数也是叶子节点。

需要提醒的是：默认情况下，我们显示创建的张量tensor的requires_grad都是False值的，因为我们训练网络训练的是网络模型的权重，而不需要训练输入。

4、叶子节点和非叶子节点的区分

如何区分叶子节点和非叶子节点，下面有三个例子。

例子1：

import torch
a = torch.tensor([1.0, 1.0], requires_grad=False)
print(a.is_leaf)
print(a.requires_grad)
b = a + 1
print(b.is_leaf)
print(b.requires_grad)

结果为：

True
False
True
False

代码分析：张量b是由张量a计算而得，并非我们创建，按理应该是非叶子节点，但是从PyTorch的角度来看，由于a的requires_grad的为False，其不要求获得梯度，那么a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。

例子2：

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

b = a + 1

print(b.is_leaf)
print(b.requires_grad)

结果为：

True
True
False
True

代码分析：与例子1相比，所不同之处在于a的requires_grad为True。因为张量b是由张量a计算而得，从直觉上来说，b应该是非叶子节点，实际上的确如此，与我们的直觉相契合。通过例子1和例子2，我们可以得到一条收获：中间变量并非都是非叶子节点，跟它所处的计算图有密切关系。

例子3：

import torch

input = torch.ones([2, 2], requires_grad=False)
w1 = torch.tensor(2.0, requires_grad=True)
w2 = torch.tensor(3.0, requires_grad=True)
w3 = torch.tensor(4.0, requires_grad=True)

l1 = input * w1
print("l1 is leaf?", l1.is_leaf)
print("l1 requires_grad:", l1.requires_grad)
l2 = l1 + w2
l3 = l1 * w3


l4 = l2 * l3
loss = l4.mean()

loss.backward()

print("w1.grad:", w1.grad, "\nw2.grad:", w2.grad, "\nw3.grad:", w3.grad)
print("l1.grad:", l1.grad, "\nl2.grad:", l2.grad, "\nl3.grad", l3.grad, "\nl4.grad", l4.grad)

结果为：

l1 is leaf? False
l1 requires_grad: True
w1.grad: tensor(28.) 
w2.grad: tensor(8.) 
w3.grad: tensor(10.)
l1.grad: None 
l2.grad: None 
l3.grad None 
l4.grad None

代码分析：这个代码是深度学习常见的形式，l1，l2，l3，l4是非常典型的中间变量，是地地道道的非叶子节点。

_{本教程共40节，当前为第22节!}