为何Tensor不是叶子张量？b的定义如何影响d的叶子张量属性？

核心逻辑：什么是叶子节点？ #

PyTorch里的**叶子节点（Leaf Tensor）**简单说就是：用户直接创建的、不是通过张量运算生成的张量。如果它的requires_grad=True，反向传播时会保留梯度；非叶子节点的梯度默认会被自动释放。

1. 为什么b的requires_grad会影响d的叶子节点状态？ #

场景1：b开启requires_grad

import torch
a = torch.tensor(4, dtype=torch.float32)
b = a.detach().clone().requires_grad_(True)
c = b*b
d = torch.empty_like(c).copy_(c).requires_grad_(True)
print(b.is_leaf) # True
print(d.is_leaf) # False

• b是叶子节点：它是通过clone()直接生成的，然后手动开启梯度，不属于任何运算的输出；
• c = b*b是运算得到的张量，因为b开启了梯度，c也带有梯度，属于计算图里的中间节点；
• d用copy_(c)赋值时，c是计算图的一部分，d相当于绑定到了原计算图上，就算手动开启梯度，它也不是用户独立创建的张量，所以不是叶子节点。

场景2：b关闭requires_grad

import torch
a = torch.tensor(4, dtype=torch.float32)
b = a.detach().clone()
c = b*b
d = torch.empty_like(c).copy_(c).requires_grad_(True)
print(b.is_leaf) # True
print(d.is_leaf) # True

• b是叶子节点：clone()直接生成，默认关闭梯度，属于用户直接创建的张量；
• c = b*b因为b没开梯度，自身也不带梯度，就是个普通的数值张量，和计算图完全无关；
• d复制c的数值时，相当于新建了一个张量再赋值，然后开启梯度，完全是用户独立创建的，所以是叶子节点。

2. 为什么detach().clone()总能让d成为叶子节点？ #

用d = c.detach().clone().requires_grad_(True)时，无论b开不开梯度，d都是叶子节点，原因很明确：

• detach()直接把c和原计算图彻底断开，变成一个不带梯度的独立张量；
• clone()基于这个断开的张量生成新张量，这个新张量完全是用户独立创建的，和原计算图没有任何关联；
• 最后开启梯度，完全符合叶子节点的判定条件，所以不管原计算图是什么状态，d都是叶子节点。

内容的提问来源于stack exchange，提问作者Jake Levi