torch.autograd.function.FunctionCtx.save_for_backward

FunctionCtx.save_for_backward(*tensors)

保存给定的张量以供未来调用 backward() 。

应最多调用一次，在 setup_context() 或 forward() 方法中，并且仅与张量一起调用。

所有打算在反向传播中使用的张量都应使用 save_for_backward （而不是直接在 ctx 上）保存，以防止梯度错误和内存泄漏，并启用保存的张量钩子。请参阅 torch.autograd.graph.saved_tensors_hooks 。

注意，如果保存了中间张量（既不是输入也不是输出），则您的自定义函数可能不支持双向求导。不支持双向求导的自定义函数应使用 @once_differentiable 装饰其 backward() 方法，以便执行双向求导时引发错误。如果您想支持双向求导，可以基于输入在反向传播期间重新计算中间项，或者将中间项作为自定义函数的输出返回。有关更多详细信息，请参阅双向求导教程。

在 backward() 中，保存的张量可以通过 saved_tensors 属性进行访问。在将它们返回给用户之前，会进行检查以确保它们没有被用于任何修改其内容的就地操作。

参数也可以 None 。这是一个空操作。

查看 torch.autograd 的扩展部分以获取此方法的使用详情。

示例::

>>> 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 is not a tensor
>>>         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)