1、cond_fn()函数代码
def cond_fn(x, t, y=None):
assert y is not None
with th.enable_grad():
x_in = x.detach().requires_grad_(True)
logits = classifier(x_in, t)
log_probs = F.log_softmax(logits, dim=-1)
selected = log_probs[range(len(logits)), y.view(-1)]
return th.autograd.grad(selected.sum(), x_in)[0] * args.classifier_scale
cond_fn 的函数接受三个参数：x、t 和一个可选的 y。这个函数的主要目的是计算一个关于输入 x 的梯度，这个梯度是基于通过某个分类器 classifier 对 x 和 t 进行分类时，针对特定标签 y 的对数概率的梯度。
参数检查： assert y is not None 确保 y 不为 None。这是必要的，因为后续的操作依赖于 y 来选择对数概率。
启用梯度计算： with torch.enable_grad(): 确保在这个代码块内，所有需要梯度的操作都会被记录，以便后续可以计算梯度。不过，在 PyTorch 中，更常见的做法是直接设置张量的 .requires_grad 属性，因为 torch.enable_grad() 主要用于全局控制梯度记录，而在这个函数中，我们只需要对 x_in 进行这样的设置。
准备输入： x_in = x.detach().requires_grad_(True) 通过 detach() 创建一个 x 的新副本，并从计算图中分离出来，然后通过 requires_grad_(True) 允许 PyTorch 对这个副本的操作进行梯度追踪。
前向传播： 通过 classifier(x_in, t) 获取分类器的输出（logits），然后使用 F.log_softmax(logits, dim=-1) 计算对数概率。
选择特定标签的对数概率： selected = log_probs[range(len(logits)), y.view(-1)] 这行代码通过索引选择每个样本对应标签 y 的对数概率。y.view(-1) 确保 y 的形状与 logits 的最后一维相匹配。log_probs[range(len(logits)), y.view(-1)]：这行代码使用高级索引（advanced indexing）来从log_probs中选择元素，range(len(logits))值是行索引， y.view(-1)是列索引。具体来说，它首先通过range(len(logits))生成一个与样本数量相等的索引序列，然后使用y.view(-1)来提供每个样本对应真实类别的索引。因此，这行代码实际上是在选择每个样本对应其真实类别的对数概率值。
计算梯度： th.autograd.grad(selected.sum(), x_in)[0] * args.classifier_scale 计算 selected.sum()（即所有选中对数概率的和）关于 x_in 的梯度，并将这个梯度乘以一个缩放因子 args.classifier_scale。th.autograd.grad 返回的是一个元组，其中包含所有需要梯度的张量的梯度，这里我们只关心 x_in 的梯度，所以通过 [0] 索引获取。
总的来说，这个函数计算了分类器对于输入 x 和条件 t，在给定标签 y 下的对数概率梯度，并对这个梯度进行了缩放。这样的梯度可以用于各种优化或学习算法中，特别是在需要基于条件梯度的场景下。
2、softmax与log_softmax函数
当Softmax的输入比较大的时候，可能会产生上溢出，超出float的能表示范围；同理，当输入为负值且绝对值比较大的时候，分子分母会极小，接近0，从而导致下溢出。log_Softmax能够很好的解决溢出问题，且可以加快运算速度，提升数据稳定性。
softmax
log_softmax
