torch.autograd.function.FunctionCtx.save_for_backward

FunctionCtx.save_for_backward(*tensors)

保存给定的张量，以便将来调用 backward()。

save_for_backward 应该最多调用一次，在 setup_context() 或 forward() 方法中，并且只能使用张量。

所有旨在用于反向传播的张量都应使用 save_for_backward 保存（而不是直接在 ctx 上），以防止不正确的梯度和内存泄漏，并启用已保存张量钩子的应用。请参阅 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，则您的自定义 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 装饰它们的 backward() 方法，以便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，您可以重新计算基于反向传播期间输入的中间值，或将中间值作为自定义 Function 的输出返回。有关更多详细信息，请参阅二次反向传播教程。

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

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)