不能用 raw pointer 管理计算图节点，因节点是框架私有类型，依赖引用计数、生命周期绑定和跨语言同步；手动 new/delete 会导致悬垂指针、引用计数失衡及破坏 autograd 拓扑排序。
纯 C++ 指针无法直接管理现代深度学习框架（如 PyTorch、TensorFlow）的计算图——这些框架的计算图由其自研运行时和图优化器控制，C++ API 提供的是封装后的句柄（torch::jit::IValue、tensorflow::Session* 等），不是裸指针可安全操作的对象。
为什么不能用 raw pointer 管理计算图节点
计算图节点（如 PyTorch 的 Node、TensorFlow 的 Operation）是框架内部私有类型，不暴露完整内存布局；它们依赖引用计数、生命周期绑定（如 Graph 对象存活期）、以及跨语言（Python/C++/CUDA）同步机制。用 Node* 手动 new/delete 会导致：
- 访问非法内存（节点被图析构后指针仍 dangling）
- 引用计数失衡（绕过
shared_ptr<node></node>导致提前释放或泄漏） - 破坏 autograd 引擎的拓扑排序（
next_functions()返回的是std::vector<:pair int>></:pair>，但修改它会跳过梯度传播钩子）
PyTorch C++ 前端中真正该用的“指针”类型
PyTorch C++ API（LibTorch）强制使用智能指针表达所有权关系，核心是 std::shared_ptr 和 at::Tensor 内置的引用计数：
-
torch::jit::script::Module：持有整个图的std::shared_ptr<:jit::graph></:jit::graph>，不能用Graph*替代 -
torch::jit::Node*可以获取（如graph->nodes().begin()->get()），但只读；修改图必须调用graph->create(...)并用graph->appendNode() - 自定义算子注册时，
torch::RegisterOperators要求 kernel 函数签名含const torch::jit::Node* node—— 这里传入的是只读视图，不可 delete 或长期保存
示例：安全地遍历图节点
立即学习“C++免费学习笔记（深入）”；
auto graph = module.get_method("forward").graph();
for (auto& node : graph->nodes()) {
if (node->kind() == torch::jit::prim::Constant) {
// OK: 用 node.get() 获取 raw ptr 仅用于临时检查
std::cout << node->output()->type()->str() << "\n";
}
}
// node 生命周期由 graph 拥有，此处无需也不应手动管理
TensorFlow C++ 中类似陷阱：Session 和 GraphDef 分离
TF C++ API 的 tensorflow::Session 不持有 GraphDef 内存，而是拷贝一份到内部；传入的 GraphDef* 若指向栈内存或短生命周期对象，session->Create(*graph_def) 可能崩溃：
- 错误写法：
GraphDef g; session->Create(g);——g是栈变量，Create 内部可能异步访问 - 正确写法：
auto graph_def = std::make_unique<graphdef>(); ... session->Create(*graph_def);</graphdef>，或直接用SessionOptions加载 pb 文件 -
Session::Run()的std::vector<:pair tensor>></:pair>输入，Tensor 必须保持存活直到 Run 返回，不能传&local_tensor
计算图的本质是数据流+控制流的抽象，不是内存地址集合。强行用裸指针介入，等于绕过框架的内存契约——越早接受 shared_ptr 和 RAII，越少遇到 segfault 和梯度静默丢失。
