pytorch中为什么grad_output requires_grad是False？

Question

这里是customLayer.py。

我很困惑以下的事情：

1. 内层的输入不是一个变量。然后在backward它变成一个变量，并要求梯度。为什么？
2. grad_output是一个变量，但require_grad是False。为什么不是真的？
3. 在我的自定义图层中，我需要自定义向前和向后的操作。这很复杂。看到相同的链接。我已经在其中发布了问题。

Answer 1

1. 梯度通过您的损失计算进行更新，并且是反向传播所必需的。如果你没有渐变，你不能训练你的网络。
2. 可能是因为您不希望渐变最后放在变量上。暂时只有一个落后阶段。
3. 为什么你需要一个自定义的后退功能？你需要额外的反向传播操作吗？