在PyTorch中，autograd是所有神經網絡的核心内容，為Tensor所有操作提供自動求導方法。
它是一個按運作方式定義的架構，這意味着backprop是由代碼的運作方式定義的。
autograd.Variable 是autograd中最核心的類。 它包裝了一個Tensor，并且幾乎支援所有在其上定義的操作。一旦完成了你的運算，你可以調用 .backward()來自動計算出所有的梯度。
Variable有三個屬性：data，grad以及creator。
通路原始的tensor使用屬性.data； 關于這一Variable的梯度則集中于 .grad； .creator反映了建立者，辨別了是否由使用者使用.Variable直接建立（None）。
還有一個對autograd的實作非常重要的類——Function。Variable 和Function數是互相關聯的，并建立一個非循環圖，進而編碼完整的計算過程。每個變量都有一個.grad_fn屬性引用建立變量的函數(除了使用者建立的變量，它們的grad_fn是None)。
建立變量x：
輸出結果：
在x基礎上進行運算：
輸出結果：
<code>檢視x的</code>grad_fn：
<code>檢視y的</code>grad_fn：
<code>可以看到y是作為運算的結果産生的，是以y有</code><code>grad_fn，而x是直接建立的，是以x沒有grad_fn。</code>
在y基礎上進行運算：
<code>如果Variable是一個标量（例如它包含一個單元素資料），你無需對backward()指定任何參數.</code>
<code>out.backward()</code>等價于<code>out.backward(torch.Tensor([1.0])).</code>
如果它有更多的元素（矢量），你需要指定一個和tensor的形狀比對的grad_output參數（y在指定方向投影對x的導數）
不傳入參數：
傳入參數：
簡單測試一下不同參數的效果：
參數1：[1,1,1]
參數2：[3,2,1]