Зачем нам нужно клонировать grad_output и назначать его grad_input при определении функции автоградации ReLU?

Я просматриваю автоградную часть учебников по pytorch. У меня есть два вопроса:

1. Зачем нам нужно клонировать grad_output и назначать его grad_input, кроме простого назначения во время обратного распространения?
2. Какова цель grad_input[input < 0] = 0? Означает ли это, что мы не обновляем градиент, когда ввод меньше нуля?

Вот код:

class MyReLU(torch.autograd.Function):
    @staticmethod
    def forward(ctx, input):
        """
        In the forward pass we receive a Tensor containing the input and return
        a Tensor containing the output. ctx is a context object that can be used
        to stash information for backward computation. You can cache arbitrary
        objects for use in the backward pass using the ctx.save_for_backward method.
        """
        ctx.save_for_backward(input)
        return input.clamp(min=0)

    @staticmethod
    def backward(ctx, grad_output):
        """
        In the backward pass we receive a Tensor containing the gradient of the loss
        with respect to the output, and we need to compute the gradient of the loss
        with respect to the input.
        """
        input, = ctx.saved_tensors
        grad_input = grad_output.clone()
        grad_input[input < 0] = 0
        return grad_input

Ссылка здесь: https://pytorch.org/tutorials/beginner/pytorch_with_examples.html#pytorch-defining-new-autograd-functions

Заранее большое спасибо.