【1】引言
前序学习进程中，已经对pytor求导有了基本认识，知道requires_grad_(True)和backward()是求导必备的声明。
但有一种特殊情况，如果变量 z = f ( x y ) z=f(xy) z=f(xy)，但同时 y = f ( x ) y=f(x) y=f(x)，也就是变量 y y y是变量 x x x的函数，变量 z z z同时是变量 y y y和变量 x x x的函数，此时可以有表达式：
z = f ( x y ) = f ( x ( f ( x ) ) ) z=f(xy)=f(x(f(x))) z=f(xy)=f(x(f(x)))如果我们就是想获得 y y y计算出来后， z z z关于 x x x的导数，，此时就要考虑如何将 y y y单独分流出来，不要让梯度经过 y y y追溯到 x x x。
这就是本次要学习的重点：分离计算。
【2】detach()函数
分离计算要使用detach()函数，用一个自定义的新变量名比如 t t t来获取原变量 y y y的值，此时把 z z z的表达式改写成：
z = f ( x y ) = f ( x t ) ) z=f(xy)=f(xt)) z=f(xy)=f(xt))
此时计算 d z d x \frac{dz}{dx} dxdz就不会通过 t t t传递到 x x x， t t t只是一个和 y y y相等的常数。
为此找一个例子做测试。
python
# 引入模块
import torch
from torch.autograd import backward
# 定义初始张量
x=torch.arange(5.0)
# 声明要对x求导
z=x.requires_grad_(True)
print('z=',z)
# 乘积定义
y=x*x
z=y*x
# 梯度计算
z.sum().backward()
print('z=',z)
# 此时没有单独提取y
g1=x.grad
print('g1=',g1)
# 梯度清零
x.grad.zero_()
# 使用t分离y
t=y.detach()
# 重新定义函数
z=t*x
# 计算梯度
z.sum().backward()
print('z=',z)
# g2是用t分离y后获得的梯度
g2=x.grad
print('g2=',g2)
# 理论上，根据z=t*x，如果t是一个常数，梯度结果就是t
print('t=',t)这个代码块先计算了不分离 y y y的梯度 g 1 g1 g1，然后计算了分离 y y y的梯度 g 2 g2 g2，证明了分离后确实梯度计算不会再由 t t t追溯到 x x x，实现了保持 y y y为常数的运算目标。
计算结果为：
【3】总结
学习了pytorch分离计算导数的基本概念。