PointNet++的SA模块中有不可导的FPS采样操作，梯度如何能够反向传播？

3D检测里面有这样一类操作，用白话讲，可以归类为“路由”：即把特征从哪里取出来，或把特征汇聚到哪里去。“路由”的建立过程本身可以不可导（比如FPS和ball query）。但“路由”一旦建立，特征的传递和映射过程一般都是可导的。所以对于FPS操作在反向传播时的具体实现我认为和torch.scatter的梯度反传类似，初始化一个0张量，然后按照scatter赋值过去。

对于pointnet++中的一个例子（因为不能debug进用C++写的自定义的cuda算子，debug没法进c++的代码的，只能到调用的那一步，所以推荐直接采用全局搜索），对于前向传播中那些不能导的操作，是要重写一下backward函数的，重写时可能会调用自己实现的cuda代码。可以看到重写的backward函数返回值只有第一个有梯度，第二个没有梯度。backward的参数输入来自于forward的输出的梯度，backward返回值对应于forward的输入的梯度，所以说明idx没有梯度，被截断了，说明idx这条路是死的，但是features这条路依然有梯度：

案例：


外部调用逻辑：

Refer：

1. 【代码阅读】PointNet++代码梳理
2. 【代码阅读】详解在Pytorch中定义自己写的CUDA编程函数
3. 【代码阅读】PointNet++具体实现详解
4. Python 利用setup制作自定义包-打包-安装
5. pytorch通过torch.utils.cpp_extension构建CUDA/C++拓展
6. 利用torch.autograd.Function自定义层的forward和backward
7. PyTorch 源码解读之 torch.autograd：梯度计算详解