Pytorch中detach()的作用、与grad.zero_()的区别

detach()的作用

detach()函数返回一个和源张量同shape、dtype和device的张tensor，是从当前计算图中分离下来的，与源张量共享数据内存，仍指向原变量的存放位置，不同之处只是requires_grad为false，得到的这个tensor永远不需要计算其梯度，不具有grad。即使之后重新将它的requires_grad置为true，它也不会具有梯度grad。

注意：使用detach返回的tensor和原始的tensor共同一个内存，即一个修改另一个也会跟着改变

Tensor.detach() 的作用是阻断反向梯度传播，当我们在训练网络的时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整；或者只训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用detach()函数来切断一些分支的反向传播，例如在生成对抗网络的训练当中，在训练判别器的时候不需要生成器进行反向梯度传播，这时候就会使用到 detach()。

import torch

a = torch.tensor(2.0, requires_grad=True)
y = a