文章导读
在PyTorch中，clone()和detach()是两个常用的操作，用于处理tensor的复制和梯度。但它们有什么区别呢？本文将详细讲解这两个操作的使用方法和区别，帮助你更好地理解PyTorch中的tensor操作。
clone() 和 detach() 的对比
PyTorch中，向量或矩阵的赋值是指向同一内存的，这与Matlab不同。如果需要保存旧的tensor，就需要使用clone()进行深拷贝。
import torch
a = torch.tensor(1.0, requires_grad=True)
b = a.clone()
c = a.detach()
a.data *= 3
b += 1
print(a) # tensor(3., requires_grad=True)
print(b)
print(c)
输出结果：
tensor(3., requires_grad=True)
tensor(2., grad_fn=)
tensor(3.) # detach()后的值随着a的变化出现变化
分析输出数据类型的区别
原始a：tensor(3., requires_grad=True)
a.clone()：grad_fn=
detach()操作后的tensor与原始tensor共享数据内存，当原始tensor在计算图中数值发生反向传播等更新之后，detach()的tensor值也发生了改变。
注意：在PyTorch中我们不要直接使用id是否相等来判断tensor是否共享内存，这只是充分条件，因为也许底层共享数据内存，但是仍然是新的tensor，比如detach()，如果我们直接打印id会出现以下情况。
clone操作详解
clone操作返回一个和源张量同shape、dtype和device的张量，与源张量不共享数据内存，但提供梯度的回溯。
import torch
a = torch.tensor(1.0, requires_grad=True, device=