.detach() 是安全出口，修改后求导报错；.data 是危险通道，修改后求导不报错但结果错误；pytorch 官方已弃用 .data，推荐统一使用 detach()。

detach() 和 .data 都会切断梯度，但安全机制完全不同

根本区别不在“是否切断梯度”——两者都让新张量的 requires_grad 变为 False；而在于**修改张量时 Autograd 是否能察觉、是否报错**。.data 是静默绕过检查的危险通道，detach() 是带护栏的安全出口。

用 .data 修改后求导不报错，但结果必错

当你对 x.data 做原位操作（比如 zero_()、add_(1)），原始张量 x 的值同步改变，但 Autograd 完全不知情。它仍按旧值路径反向传播，算出的梯度与实际数据不匹配。

A Python CLI skill for Cutout.Pro visual APIs — background removal, face cutout, and photo enhancement. Supports file upload & image URL input.

调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。

下载

• x = torch.tensor([1., 2., 3.], requires_grad=True)
• y = x.sigmoid()
• y_data = y.data
• y_data.zero_() → 此时 y 已变成 tensor([0., 0., 0.])
• y.sum().backward() → 不报错，但 x.grad 是基于 sigmoid 输入为 [1,2,3] 算的，而真实 y 已是全零

detach() 修改后求导直接报错，强制暴露问题

detach() 同样共享内存，所以 y.detach().zero_() 也会改掉原始 y。但它在反向传播时会主动校验：若发现中间张量被原位修改过，就抛出 RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation。

• 这是 PyTorch 的“防护性报错”，不是功能缺陷，而是设计意图
• 它逼你意识到：不该在计算图活跃期间篡改中间结果
• 如果你真需要修改，应先 clone() 再改，或确保修改发生在 no_grad 上下文里

PyTorch 官方早已明确弃用 .data

从 0.4 版本起，文档就标注 .data 为 legacy 接口，仅保留兼容性。所有新代码、教程、模型库（如 Hugging Face Transformers）均只用 detach()。

• .data 是属性访问，无法加参数、无法链式调用；detach() 是方法，语义清晰且可扩展
• 某些 JIT 编译或分布式训练场景下，.data 可能触发未定义行为，detach() 则稳定可靠
• 哪怕只是读取数值，也建议统一用 detach().cpu().numpy()，而非 .data.cpu().numpy()

真正容易被忽略的点是：**共享内存本身不是问题，问题在于你是否意识到“改了它，就等于改了计算图里的那个节点”**。用 .data 就像拆掉刹车片还继续踩油门——车没停，但你已经失控了。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！