1. 这段代码并没有修改静态图分支，不需要添加动转静单测，单测添加到 test/legacy_test/test_eager_tensor.py
2. 只是加了一个普通的函数跑不到，且添加 unittest.skipIf 的方式也是错的

            tensor = core.eager.Tensor(
                value=data,
                place=place,
                persistable=False,
                zero_copy=False,
                name=None,
                stop_gradient=stop_gradient,
            )
            # tensor = tensor.astype(dtype) 
            tensor = paddle.cast(tensor, dtype)
            return tensor

您好，可否帮忙看一下，在使用转换后，x.grad会变为None

x = paddle.to_tensor( 1e6, dtype=paddle.bfloat16, stop_gradient=False)
print("x:", x)
y = x * x
y.backward()
print("x.grad:", x.grad)

修改后结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: None

原本结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -1.9988e+06)

已修改

可以把_handle_np_dtype逻辑挪出来，移除掉原来不正确的bf16分支代码

请问这个是指将_handle_np_dtype函数删除，然后把代码放在else:中吗？因为_handle_np_dtype函数在前面也被调用过。

请问这个是指将_handle_np_dtype函数删除，然后把代码放在else:中吗？因为_handle_np_dtype函数在前面也被调用过。

这个逻辑很简单，可以都挪出来，直接处理掉原来错误的bf16分支

这个逻辑很简单，可以都挪出来，直接处理掉原来错误的bf16分支

嗯，收到，已修改

这样写呢：

tensor = core.eager.Tensor(
                value=data,
                place=place,
                persistable=False,
                zero_copy=False,
                name=None,
                stop_gradient=True,
)
tensor = tensor.astype('bfloat16')
tensor.stop_gradient = stop_gradient
return tensor

这样好像不行，上一个版本是类似的做法。我个人理解是只能数据进行转换，不能带着gradient一起转换。如果不用detach，会导致grad为None。

            tensor = core.eager.Tensor(
                value=data,
                place=place,
                persistable=False,
                zero_copy=False,
                name=None,
                stop_gradient=stop_gradient,
            )
            # tensor = tensor.astype(dtype) 
            tensor = paddle.cast(tensor, dtype)
            return tensor

您好，可否帮忙看一下，在使用转换后，x.grad会变为None

x = paddle.to_tensor( 1e6, dtype=paddle.bfloat16, stop_gradient=False)
print("x:", x)
y = x * x
y.backward()
print("x.grad:", x.grad)

修改后结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: None

原本结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -1.9988e+06)

这样好像不行，上一个版本是类似的做法。我个人理解是只能数据进行转换，不能带着gradient一起转换。如果不用detach，会导致grad为None。

            tensor = core.eager.Tensor(
                value=data,
                place=place,
                persistable=False,
                zero_copy=False,
                name=None,
                stop_gradient=stop_gradient,
            )
            # tensor = tensor.astype(dtype) 
            tensor = paddle.cast(tensor, dtype)
            return tensor

您好，可否帮忙看一下，在使用转换后，x.grad会变为None

x = paddle.to_tensor( 1e6, dtype=paddle.bfloat16, stop_gradient=False)
print("x:", x)
y = x * x
y.backward()
print("x.grad:", x.grad)

修改后结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: None

原本结果

x: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -9.9942e+05)
x.grad: Tensor(shape=[], dtype=bfloat16, place=Place(cpu), stop_gradient=False,
       -1.9988e+06)

这样写是可以的，这是因为之前的写法，没有设置stop_gradient=True，使得第一个tensor与cast后的tensor建立了反向关系，梯度传导到第一个tensor了，而cast后的tensor的梯度就被清理掉了。

目前把第一个tensor的stop_gradient设置为True，就避免了这个问题。

嗯，收到，我测试了一下，确实没问题，感谢

这里不用搞这么多判断吧，代码注意逻辑清晰，可读性强。

这里要么全统一用 convert_dtype(dtype) 判断，要么统一用dtype判断，不用在这里反复冗余判断。ndarray也没必要判断吧

嗯，收到，已按照下面的方式修改

if dtype and  convert_dtype(dtype) != convert_dtype(data.dtype):
        if convert_dtype(dtype) == 'uint16':
             ...
        else:
             data = data.astype(convert_dtype(dtype))

这样可以吗，这里的分支显得又多又乱

嗯，收到，已修改，感谢

这里统一写成：

if convert_dtype(default_type) != convert_dtype(data.dtype):
    dtype = default_type

然后交到下面的逻辑里去处理，代码更简洁

嗯，收到，已修改，感谢