因为forward和backward必须是@staticmethod，PyTorch的apply机制不创建实例，而是直接调用类的静态方法；若写成实例方法会因缺少ctx参数而报TypeError，且ctx是框架传入的轻量上下文对象，非self或cls，静态方法确保签名严格匹配计算图引擎的契约。
为什么 forward 和 backward 必须是 @staticmethod
因为 torch.autograd.Function 的调用机制不依赖实例状态，PyTorch 在前向/反向传播过程中从不创建该类的实例，而是直接通过类名调用方法。如果写成实例方法（带 self），Python 会因缺少第一个参数而报错：TypeError: forward() missing 1 required positional argument: 'self'。
- PyTorch 内部通过
MyFunction.apply(...)触发计算，apply是一个类方法，它会跳过实例化，直接把参数传给forward -
ctx是一个轻量上下文对象（非self），由框架在运行时临时构造并传入，用于保存中间张量 - 静态方法天然无绑定、无隐式参数，和函数式接口完全匹配，避免了实例生命周期管理的干扰
写成实例方法会触发什么错误
最典型的现象是：调用 MyFunc.apply(x) 时立即崩溃，错误信息类似：
TypeError: forward() missing 1 required positional argument: 'ctx'
这是因为：
立即学习“Python免费学习笔记（深入）”；
你写了
def forward(self, ctx, x)→ Python 认为self是第一个参数，ctx是第二个但
apply实际只传了ctx和x两个参数，没传self结果就是
ctx被当成self，x被当成ctx，后续ctx.save_for_backward(...)就会失败（AttributeError: 'Tensor' object has no attribute 'save_for_backward'）千万别加
self或cls参数也别试图在类里定义
<strong>init</strong>—— 它根本不会被调用所有“状态”必须通过
ctx传递，不能靠实例属性存
静态方法 vs 类方法：为什么不用 @classmethod
@classmethod 会自动传入 cls，但 PyTorch 的 apply 机制不传 cls，只传显式列出的参数（ctx + 输入张量）。若用 @classmethod，就会出现：
TypeError: forward() missing 1 required positional argument: 'ctx'
本质原因相同：参数签名不匹配。PyTorch 明确要求这两个方法是“纯函数式”的，输入即参数，输出即返回值，不依赖任何类或实例层面的隐式上下文。
-
@staticmethod是唯一满足签名自由度的装饰器 - 它让
forward(ctx, x, y)和backward(ctx, grad_out)能被框架以确定方式调用 - 一旦换成
@classmethod，哪怕只改一个装饰器，整个 Function 就不可用了
容易忽略的兼容性细节
PyTorch 对 forward 和 backward 的参数数量有强约束：
-
forward除ctx外的参数个数，必须等于backward返回值的个数（每个输入对应一个梯度） -
ctx.save_for_backward()保存的张量，在backward中要通过ctx.saved_tensors按顺序解包，顺序错一位就可能取错张量 - 如果
forward接收 3 个输入（w, x, b），backward就必须返回 3 个梯度（grad_w, grad_x, grad_b），少一个或多一个都会导致RuntimeError: function returns 2 values, but expected 3
这不是设计选择，是计算图引擎硬编码的契约。静态方法的存在，正是为了把这种契约暴露得足够清晰——没有隐藏参数，没有隐式行为，所有输入输出都在函数签名里。
