torch.detach后的梯度计算例子

假设我们有一个模型和一个损失函数：

import torch
import torch.nn as nn

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

net = Net()

# 定义损失函数
criterion = nn.CrossEntropyLoss()

现在我们想要计算模型在一组输入上的梯度，但是我们不希望将这些梯度用于更新模型的参数。我们可以使用`detach()`方法来分离计算图，从而避免这种情况。

首先，我们需要定义一些输入和目标：

# 定义输入和目标
x = torch.randn(1, 10)
target = torch.tensor([0], dtype=torch.long)

接下来，我们计算模型在这个输入上的输出和损失，并使用`detach()`方法分离计算图：

# 计算输出和损失，并使用 detach() 分离计算图
output = net(x)
loss = criterion(output, target)
grads = torch.autograd.grad(loss, net.parameters(), retain_graph=True)
grads_detach = [g.detach() for g in grads]

现在`grads_detach`是一个包含模型参数梯度的列表，但是这些梯度已经被分离出了计算图，因此不会被用于更新模型的参数。我们可以对这些梯度进行任何操作，例如将其传递给另一个模型或将其用于计算某些统计量。