 详解)
在阅读以下内容前，请务必先大致了解计算图机制，特别是叶子节点：pytorch——计算图与动态图机制
with torch.no_grad()在 PyTorch官网 中的定义为：
Context-manager that disables gradient calculation.
意思是with torch.no_grad()是一个用于禁用梯度的上下文管理器。禁用梯度计算对于推理是很有用的，当我们确定不会调用Tensor.backward()时，它将减少计算的内存消耗。
需要注意：它并不会直接修改张量自身的requires_grad属性；本质上在其内部执行的所有运算，不会构建计算图节点，也不会跟踪依赖。所以即便输入张量requires_grad=True，运算生成的新张量无法继承梯度依赖，默认requires_grad=False。
除此之外，with torch.no_grad()还通常与原地操作（in-place operation）组合在一起。原地操作有明确定义：
当计算图追踪处于开启状态时，对于 requires_grad=True 的叶子张量（leaf tensor）不能使用 inplace operation
因为原地操作会直接覆盖张量内存中的原始数值。若仍在计算图构建阶段，叶子张量原始值是反向传播求导必需的数据；一旦原值被覆盖，梯度与张量数值之间的依赖关系断裂，求导无法正常进行，因此框架提前抛出异常。
withtorch.no_grad():forparaminparams:param-=lr*param.grad/batch_size param.grad.zero_()# 清空当前梯度我们针对以上操作进行探究，以更好理解该情况下with torch.no_grad()的作用。
- 不使用
with torch.no_grad()，直接进行原地操作
forparaminparams:param-=lr*param.grad/batch_size param.grad.zero_()# 清空当前梯度运行上面的代码会报错，错误信息为RuntimeError: a leaf Variable that requires grad is being used in an in-place operation.意思是在原地操作中使用了需要梯度的叶子节点。
如果打印验证可以发现：无论是否包裹
with torch.no_grad()，param.requires_grad始终为True。这与前文的定义是吻合的，在计算图追踪关闭时，即使是叶子节点并具requires_grad属性也可以进行就地操作。
与原地操作无关的，补充两点客观现象：
lr * param.grad / batch_size运算生成临时张量，该临时张量的requires_grad = False；param.grad作为参数附属的梯度张量，本身requires_grad恒为False，该性质与是否启用with torch.no_grad()无关。
- 不使用
with torch.no_grad()进行赋值操作
forparaminparams:param=param-lr*param.grad/batch_sizeprint(param.is_leaf)# Falseparam.grad.zero_()# 清空当前梯度运行上面的代码会报错，错误信息为AttributeError: 'NoneType' object has no attribute 'zero_'。我们都知道赋值操作会新创建一块内存以存放数据，所以根据计算图理论，此时的param是中间节点，不再是叶子节点，不具有grad属性了。
- 使用
with torch.no_grad()进行赋值操作
withtorch.no_grad():forparaminparams:print(param.requires_grad)# Trueparam=param-lr*param.grad/batch_sizeprint(param.is_leaf)# Trueprint(param.requires_grad)# Falseparam.grad.zero_()# 清空当前梯度运行上面的代码同样会报错，错误信息为AttributeError: 'NoneType' object has no attribute 'zero_'。
在
torch.no_grad()上下文内不再构建计算图。执行param = param - lr * param.grad / batch_size依旧生成一块全新张量：
- 该张量在无梯度追踪环境下创建，不存在运算依赖，因此
is_leaf=True；
上下文内运算不会继承梯度标记，故requires_grad=False；requires_grad=False的张量不会分配梯度缓冲区，.grad恒为None，因此调用.zero_()报错。
