原文：
https://www.bing.com/videos/riverview/relatedvideo?&q=PyTorch+autograd&qpvt=PyTorch+autograd&mid=1B8AD76943EFADD541E01B8AD76943EFADD541E0&&FORM=VRDGAR前面只要有一个node的requires_grad为True，则后面所有node都要为True:
forward阶段，ctx里存放其backward操作需要的值，也就是forward时的部分input或output值；
requires_grad为False的(Tensor b)，不会计算其梯度；
requires_grad为True，且is_leaf为Tree的，会将梯度累积到其grad成员上；
优化：如果is_leaf=False，则说明不需要该Tensor的grad，所以，grad_fn直接将output梯度传递给下一个grad_fn了，绕开对该Tensor的grad的更新；（节省一步梯度加和操作的时间，也节省一个grad数据存储空间）
用_version号来防止backward时用到的activation在之前发生改动；如果_version号跟本次backward源头的_version号不同了，则报错；
我：Pipeline并行，如果直接做，就会有这种报错出现；
如果是Add操作这种，压根不需要某些activation的值，所以这种值发生改动，不影响backward传递参数，因此就不会报错
每个运算，是一个独立的operator，对应backward也是独立的：
Tensor.detach()，用在什么情况：想保留结果值，但又想把原始计算图垃圾回收释放掉；新Tensor和老Tensor共享数据内存(data)，但不在hold指向计算图的reference了(grad_fn=None)
![[FreeRTOS <span style='color:red;'>内部</span><span style='color:red;'>实现</span>] 事件组](https://i-blog.csdnimg.cn/direct/10f51e29185c47d9be8fa9265416ac66.png)
![[FreeRTOS <span style='color:red;'>内部</span><span style='color:red;'>实现</span>] 任务通知](https://i-blog.csdnimg.cn/direct/79c022eb1c914d808e316ab05bd1decf.png)
