在PyTorch中，autograd是所有神经网络的核心内容，为Tensor所有操作提供自动求导方法。
它是一个按运行方式定义的框架，这意味着backprop是由代码的运行方式定义的。
autograd.Variable 是autograd中最核心的类。 它包装了一个Tensor，并且几乎支持所有在其上定义的操作。一旦完成了你的运算，你可以调用 .backward()来自动计算出所有的梯度。
Variable有三个属性：data，grad以及creator。
访问原始的tensor使用属性.data； 关于这一Variable的梯度则集中于 .grad； .creator反映了创建者，标识了是否由用户使用.Variable直接创建（None）。
还有一个对autograd的实现非常重要的类——Function。Variable 和Function数是相互关联的，并建立一个非循环图，从而编码完整的计算过程。每个变量都有一个.grad_fn属性引用创建变量的函数(除了用户创建的变量，它们的grad_fn是None)。
创建变量x：
输出结果：
在x基础上进行运算：
输出结果：
<code>查看x的</code>grad_fn：
<code>查看y的</code>grad_fn：
<code>可以看到y是作为运算的结果产生的，所以y有</code><code>grad_fn，而x是直接创建的，所以x没有grad_fn。</code>
在y基础上进行运算：
<code>如果Variable是一个标量（例如它包含一个单元素数据），你无需对backward()指定任何参数.</code>
<code>out.backward()</code>等价于<code>out.backward(torch.Tensor([1.0])).</code>
如果它有更多的元素（矢量），你需要指定一个和tensor的形状匹配的grad_output参数（y在指定方向投影对x的导数）
不传入参数：
传入参数：
简单测试一下不同参数的效果：
参数1：[1,1,1]
参数2：[3,2,1]