torch.autograd.function.FunctionCtx.save_for_backward

FunctionCtx.save_for_backward(*tensors)

保存给定的张量以供将来调用 backward()。

save_for_backward 最多只能调用一次，只能在 forward() 方法内部调用，并且只能使用张量。

所有打算在反向传播中使用的张量都应该使用save_for_backward保存（而不是直接保存在ctx上），以防止梯度计算错误和内存泄漏，并启用保存张量钩子的应用。请参阅torch.autograd.graph.saved_tensors_hooks。

请注意，如果保存了中间张量（即既不是输入也不是 forward() 输出的张量）用于反向传播，您的自定义函数可能不支持双重反向传播。 不支持双重反向传播的自定义函数应在其 backward() 方法上使用 @once_differentiable 装饰器，以便在执行双重反向传播时引发错误。如果您希望支持双重反向传播，您可以在反向传播期间根据输入重新计算中间变量，或者将中间变量作为自定义函数的输出返回。有关更多详细信息，请参阅 双重反向传播教程。

在 backward() 中，可以通过 saved_tensors 属性访问保存的张量。在将它们返回给用户之前，会进行检查以确保它们没有在任何就地操作中被修改。

参数也可以是 None。这是一个空操作。

有关如何使用此方法的更多详细信息，请参阅扩展 torch.autograd。

Example::

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         w = x * z
>>>         out = x * y + y * z + w * y
>>>         ctx.save_for_backward(x, y, w, out)
>>>         ctx.z = z  # z 不是一个张量
>>>         return out
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_out):
>>>         x, y, w, out = ctx.saved_tensors
>>>         z = ctx.z
>>>         gx = grad_out * (y + y * z)
>>>         gy = grad_out * (x + z + w)
>>>         gz = None
>>>         return gx, gy, gz
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>> b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>> c = 4
>>> d = Func.apply(a, b, c)