torch.autograd.function.FunctionCtx.mark_non_differentiable

FunctionCtx.mark_non_differentiable(*args) [source]

Помечает выходы как не требующие дифференцирования.

Это должно вызываться не более одного раза, только изнутри forward() метода, и все аргументы должны быть тензорными выходами.

Это отметит выходы как не требующие градиентов, повышая эффективность вычислений обратного распространения ошибки. Вам всё равно необходимо принять градиент для каждого выхода в backward(), но он всегда будет нулевым тензором с теми же размерами, что и соответствующий выход.

Это используется, например, для индексов, возвращаемых в результате сортировки. Пример:

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         sorted, idx = x.sort()
>>>         ctx.mark_non_differentiable(idx)
>>>         ctx.save_for_backward(x, idx)
>>>         return sorted, idx
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):  # still need to accept g2
>>>         x, idx = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         grad_input.index_add_(0, idx, g1)
>>>         return grad_input