当我生成一个可导类型的cpu张量的时候，判断其是否为叶子节点，显示为True ，如下面的代码所示：

x = torch.randn(750,2048,requires_grad=True)
print(x.is_leaf)

#输出为：True

但是当我直接把这个生成的cpu类型迁移到gpu上时，有意思的事情发生了：

x = torch.randn(750,2048,requires_grad=True).cuda()
print(x.is_leaf)

#输出为 False

很蒙蔽吧，那么如何让一个生成的张量迁移到gpu上，并且在gpu上也为叶子节点呢?先将数据迁移到gpu上，然后再设置gpu上面的张量的requires_grad为True ，这样就可以了：

x = torch.randn(750,2048).cuda()
x.requires_grad = True
print(x.is_leaf)

#输出结果为： True

 

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

AI 融入日常：那些改变我们衣食住行的关键技术

AI技术已深度融入衣食住行四大生活场景，显著提升生产效率和用户体验。在服装领域，AI实现柔性定制生产（检测准确率99.7%）和智能穿搭推荐；餐饮方面，AI烹饪机器人实现精准控温（±1℃）和个性化口味调整；智能家居通过环境感知和用户行为识别（准确率≥98%）实现主动服务；出行领域，AI导航缩短10-15%行程时间，自动驾驶技术已在特定场景商业化落地。核心技术呈现轻量化、多模态融合趋势，同时面临数据隐

avatar DAMO开发者矩阵

【滤波跟踪】基于EKF和Madgwick滤波器对两个轮平台的俯仰角度估算附matlab代码

针对两轮平台（自平衡车、两轮机器人）俯仰角估算中 “加速度计易受振动干扰、陀螺仪存在积分漂移” 的核心矛盾，提出一种 EKF（扩展卡尔曼滤波）与 Madgwick 滤波器融合的俯仰角估算方案。首先建立两轮平台动力学模型与传感器误差模型，明确俯仰角与角速度、加速度的映射关系；其次设计双滤波器融合架构：EKF 利用动力学模型实现姿态角最优估计，抑制陀螺仪漂移，Madgwick 滤波器通过梯度下降算法快

avatar DAMO开发者矩阵

【SLAM】基于扩展卡尔曼滤波（EKF）的移动机器人SLAM同时定位与地图构建系统，通过编码器里程计和激光雷达扫描数据，让机器人在已知地标环境中估计自身位姿并构建地图附Matlab代码

该系统以EKF为数据融合核心，以编码器里程计提供运动先验、激光雷达提供环境观测，在已知地标（如预设的二维码、柱体等）的环境中，通过 “预测 - 更新” 循环实现定位与建图。状态向量定义EKF 两大核心步骤预测步（基于编码器里程计）：根据机器人上一时刻状态和编码器输出的运动增量（如轮速、位移），通过运动模型预测当前时刻的状态估计值和协方差矩阵，初步估计机器人位姿。更新步（基于激光雷达）

avatar DAMO开发者矩阵