测试torch.no_grad()的作用
torch.no_grad()两个作用：新增的tensor没有梯度，使带梯度的tensor能够进行原地运算。
1.使带有梯度的tensor能够原地运算（更新tensor）
from torch.autograd import Variable
x = Variable(torch.ones(1, 2),requires_grad=True)
x += 1 #或者调用x.add_(1) #注意add_下划线
报错：RuntimeError: a leaf Variable that requires grad has been used in an in-place operation.下面通过torch.no_grad()进行运算
from torch.autograd import Variable
x = Variable(torch.ones(1, 2),requires_grad=True)
print(id(x)) #输出：140655195757952
print(x) #输出 ：tensor([[1., 1.]], requires_grad=True)
with torch.no_grad():
x += 1 #或者调用x.add_(1) #注意add_下划线
print(id(x)) #输出：140655195757952 id没有改变
print(x)# 输出：tensor([[2., 2.]], requires_grad=True) 梯度还未True
x =x + 1
print(id(x)) #输出： 140655195756800 id改变
print(x) #输出：tensor([[3., 3.]], grad_fn=) 没有requires_grad=True状态
从输出中可以看到：x += 1没有改变id，requires_grad，但是执行x =x + 1后id改变，且后边状态为grad_fn=，记录了加法状态AddBackward0，但是，这样之后执行backword()后求梯度为变为None，也就是普通赋值(非原地操作)不能对计算梯度的，如果想不用torch.no_grad()，可以利用x.data修改内容。如果：
from torch.autograd import Variable
import torch
x = Variable(torch.ones(1, 2),requires_grad=True)
y = x**2
c = x + 1 ##假如此处换为 x = x + 1,最后结果会输出什么？
z = y**2
z.sum().backward()
print(z.grad) ## 输出：None
print(y.grad) ##输出：None
print(x.grad) ##输出：tensor([[4., 4.]])
print(x) ##输出：tensor([[1., 1.]], requires_grad=True
print(y) ##：tensor([[1., 1.]], grad_fn=)
print(c) ##：输出：tensor([[2., 2.]], grad_fn=)
从输出可以看到，只有requires_grad=True状态的tensor才有梯度，如果将c = x + 1替换为x = x + 1后，x.grad也会变为None,打印x为tensor([[2., 2.]], grad_fn=，所以，梯度输出为None，其实，最开始的x还是存在梯度。一旦tensor的requires_grad不为True时候，就能够随意原地操作了，没有梯度限制。
2.使带有梯度的tensor能够原地运算（更新tensor）,新建的tensor不能传递梯度。
from torch.autograd import Variable
import torch
x = Variable(torch.ones(1, 10),requires_grad=True)
y1 = (x)**2
y2 = (x)**2
z = y1**2 + y2**2
z.sum().backward()
print(x.grad) ## 输出：tensor([[8., 8., 8., 8., 8., 8., 8., 8., 8., 8.]])
print(z) ##输出：tensor([[2., 2., 2., 2., 2., 2., 2., 2., 2., 2.]], grad_fn=)
x = Variable(torch.ones(1, 10),requires_grad=True)
y1 = (x)**2
with torch.no_grad():
y2 = (x)**2
z = y1**2 + y2**2
z.sum().backward()
print(x.grad) ##输出：tensor([[4., 4., 4., 4., 4., 4., 4., 4., 4., 4.]])
print(z)##输出：tensor([[2., 2., 2., 2., 2., 2., 2., 2., 2., 2.]], grad_fn=)
x = Variable(torch.ones(1, 10),requires_grad=True)
with torch.no_grad():
x += 1
y2 = (x)**2
y1 = (x)**2
z = y1**2 + y2**2
z.sum().backward()
print(x.grad)##输出tensor([[32., 32., 32., 32., 32., 32., 32., 32., 32., 32.]])
print(z)##输出tensor([[32., 32., 32., 32., 32., 32., 32., 32., 32., 32.]],grad_fn=)
第一次通过y1和y2的梯度全部计算；第二次仅仅计算了通过y1的梯度，y2没有传递梯度；第三次仅仅计算通过y1的梯度，但是x值改变导致y1的导数和y1改变，所以梯度为32。
3.注意原地操作（更新tensor）之前不能用到相应tensor，如果用到，后面求梯度就不对之前用到tensor的tensor进行求导，否则报错：
from torch.autograd import Variable
import torch
x = Variable(torch.ones(1, 10),requires_grad=True)
y1 = (x)**2
with torch.no_grad():
x += 1
y2 = (x)**2
z = y1**2 + y2**2
z.sum().backward() ##这里会报错，报错内容见后面
print(x.grad)
print(z)
报错：RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [1, 10]] is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True)意思是需要求梯度的tensor已经进行原地操作，进行了改变，(之前的x不存在了)不能求梯度，将y1 = (x)**2放在z = y1**2 + y2**2之前（with torch.no_grad():之外），则没问题。
4.每轮训练需要梯度清零操作optimizer.zero_grad()的原因
from torch.autograd import Variable
import torch
x = Variable(torch.ones(1, 2),requires_grad=True)
x.sum().backward()
print(x.grad) #输出：tensor([[1., 1.]])
x.sum().backward()
print(x.grad)#输出：tensor([[2., 2.]])
x.sum().backward()
print(x.grad)#输出：tensor([[3., 3.]])
从输出中可以看出，每执行一次backward()，对应tensor的梯度都会自加1，即梯度自动累加，所以需要每个batch_size都执行梯度清零.zero_grad()操作。