torch.no_grad() 是 PyTorch 中的一个上下文管理器，用于在进入该上下文时禁用梯度计算。这在你只关心评估模型，而不是训练模型时非常有用，因为它可以显著减少内存使用并加速计算。
当你在 torch.no_grad() 上下文管理器中执行张量操作时，PyTorch 不会为这些操作计算梯度。这意味着不会在 .grad 属性中累积梯度，并且操作会更快地执行。
使用torch.no_grad()
import torch# 创建一个需要梯度的张量
x = torch.tensor([1.0], requires_grad=True)# 使用 no_grad() 上下文管理器
with torch.no_grad():y = x * 2y.backward()print(x.grad)
输出：
RuntimeError Traceback (most recent call last)
Cell In[52], line 117 with torch.no_grad():8 y = x * 2
---> 11 y.backward()13 print(x.grad)File E:\anaconda\lib\site-packages\torch\_tensor.py:396, in Tensor.backward(self, gradient, retain_graph, create_graph, inputs)387 if has_torch_function_unary(self):388 return handle_torch_function(389 Tensor.backward,390 (self,),(...)394 create_graph=create_graph,395 inputs=inputs)
--> 396 torch.autograd.backward(self, gradient, retain_graph, create_graph, inputs=inputs)File E:\anaconda\lib\site-packages\torch\autograd\__init__.py:173, in backward(tensors, grad_tensors, retain_graph, create_graph, grad_variables, inputs)168 retain_graph = create_graph170 # The reason we repeat same the comment below is that171 # some Python versions print out the first line of a multi-line function172 # calls in the traceback and some print out the last line
--> 173 Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass174 tensors, grad_tensors_, retain_graph, create_graph, inputs,175 allow_unreachable=True, accumulate_grad=True)RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn输出错误，因为使用了with torch.no_grad():。
不使用torch.no_grad()
import torch# 创建一个需要梯度的张量
x = torch.tensor([1.0], requires_grad=True)# 使用 no_grad() 上下文管理器
y = x * 2
y.backward()
print(x.grad)
输出：
tensor([2.])
)
