torch.autograd.function.FunctionCtx.mark_non_differentiable

FunctionCtx.mark_non_differentiable(*args)

将输出标记为不可微。

这应该最多调用一次，在 setup_context() 或 forward() 方法中，并且所有参数都应该是张量输出。

这将标记输出为不需要梯度，从而提高反向计算的效率。您仍然需要在 backward() 中为每个输出接受一个梯度，但它始终将是一个与对应输出形状相同的零张量。

例如，这用于从排序返回的索引。请参阅示例：

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         sorted, idx = x.sort()
>>>         ctx.mark_non_differentiable(idx)
>>>         ctx.save_for_backward(x, idx)
>>>         return sorted, idx
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):  # still need to accept g2
>>>         x, idx = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         grad_input.index_add_(0, idx, g1)
>>>         return grad_input