pytorch提供了clone、detach、copy_和new_tensor等多种张量的复制操作，尤其前两者在深度学习的网络架构中经常被使用，本文旨在对比这些操作的差别。
1. clone
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。
clone后的返回值是个中间variable，因此支持梯度的回溯。因此，clone操作在一定程度上可以视为是一个identity-mapping函数。
clone作为一个中间variable，会将梯度传给源张量进行叠加。
但若源张量的require_grad=False，而clone后的张量require_grad=True，显然此时不存在张量回溯现象，clone后的张量可以求导。
综上论述，clone操作在不共享数据内存的同时支持梯度回溯，所以常用在神经网络中某个单元需要重复使用的场景下。
2. detach
detach的机制则与clone完全不同，即返回一个和源张量同shape、dtype和device的张量，与源张量共享数据内存，但不提供梯度计算，即requires_grad=False，因此脱离计算图。
detach后的张量，即使重新定义requires_grad=True，也与源张量的梯度没有关系。
综上论述，detach操作在共享数据内存的脱离计算图，所以常用在神经网络中仅要利用张量数值，而不需要追踪导数的场景下。
3. clone和detach联合使用
clone提供了非数据共享的梯度追溯功能，而detach又“舍弃”了梯度功能，因此clone和detach联合使用意味着着只做简单的数据复制，既不数据共享，也不对梯度共享，从此两个张量无关联。
置于是先clone还是先detach，其返回值一样，一般采用tensor.clone().detach()。
4. new_tensor
new_tensor可以将源张量中的数据复制到目标张量（数据不共享），同时提供了更细致的device、dtype和requires_grad属性控制：
其默认参数下的操作等同于.clone().detach()，而requires_grad=True时的效果相当于.clone().detach()requires_grad_(True)。上面两种情况都推荐使用后者。
5. copy_
copy_同样将源张量中的数据复制到目标张量（数据不共享），其device、dtype和requires_grad一般都保留目标张量的设定，仅仅进行数据复制，同时其支持broadcast操作。
具体试验参考：
【Pytorch】对比clone、detach以及copy_等张量复制操作