torch.autograd.function.FunctionCtx.save_for_backward

FunctionCtx.save_for_backward(*tensors)

保存给定的张量供将来调用 backward() 时使用。

save_for_backward 最多只能调用一次，可以在 setup_context() 或 forward() 方法中调用，并且只能用于张量。

所有打算在反向传播中使用张量都应该通过 save_for_backward 进行保存（而不是直接保存在 ctx 上），以防止不正确的梯度和内存泄漏，并启用保存张量钩子的应用。参见 torch.autograd.graph.saved_tensors_hooks。

请注意，如果中间张量（既不是 forward() 的输入也不是输出的张量）被保存用于反向传播，您的自定义 Function 可能不支持二次反向传播。不支持二次反向传播的自定义 Function 应该使用 @once_differentiable 装饰其 backward() 方法，以便在执行二次反向传播时引发错误。如果您想支持二次反向传播，可以在反向传播期间根据输入重新计算中间张量，或者将中间张量作为自定义 Function 的输出返回。更多详细信息请参阅二次反向传播教程。

在 backward() 中，可以通过 saved_tensors 属性访问保存的张量。在将其返回给用户之前，会进行检查以确保它们未在任何修改其内容的原地操作中使用。

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。

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)