pytorch张量保留梯度

PyTorch中的张量（Tensor）默认会跟踪其创建过程中经历的所有操作，如果这个张量作为参数参与了反向传播（backpropagation），那么它就会保留其计算路径上的梯度信息。当你调用`requires_grad_(True)`或`.grad_fn`属性将其标记为需要梯度时，PyTorch会在求导时记录下所有对这个张量的操作，以便后续能够通过`.backward()`函数计算出所需的梯度。

例如：

x = torch.tensor([1., 2., 3.], requires_grad=True)
y = x**2 + 2*x + 1
y.backward()  # 这将自动计算 y 对 x 的梯度

在这个例子中，`x`是一个可微分张量，它的梯度会被存储下来，当调用`y.backward()`时，`x.grad`将会得到`2*x + 1`的结果，即`[4., 6., 8.]`，这是对原始张量进行平方和线性变换后的导数。

如果你不希望某个张量保留梯度，可以使用`detach()`或`clone()`等方法创建一个新的张量，新张量将不会有自己的梯度历史：

z = y.detach()

在这种情况下，`z`将不会有`y`的梯度关联。