如果用numpy或者Tensor来实现神经网络，需要手动写出前向过程和反向过程。对于简单的网络，反向过程中的导数容易求得，但是随着网络深度以及网络复杂度的增加，求出梯度的解析表达式是非常困难的。PyTorch的包autograd提供了自动求导的功能，当使用autograd时，定义前向网络会生成 一个计算图，每个节点是一个Tensor，边表示由输入Tensor到输出Tensor的函数。沿着计算图的反向传播可以很容易地计算出各个变量的梯度。在实现的时候，用到了Variable对象。Variable对Tensor对象进行封装，只需要Variable::data即可取出Tensor，并且Variable还封装了该Tensor的梯度Variable::grad(是个Variable对象)。现在用Variable作为计算图的节点，则通过反向传播自动求得的导数就保存在Variable对象中了。
定义：
input = Variable(torch.randn(N, D_in).type(torch.TensorFloat), requires_grad=False)#默认值是False。requires_grad控制着是否在反向传播过程中对该节点求梯度
下面通过在pytorch中构建动态计算图。
构建计算图
print(x.grad)
print(w_x.grad)
.......
可以求出各个变量的梯度。
上述代码从最开始处构建了如下的计算图。
上面的tensor换成Variable。PyTorch中， 将用户创建的Variable称之为叶子节点， 由叶子节点，加减乘除出来的Variable成为非叶子节点， 调用非叶子节点的backward函数， 就会沿着非叶子节点，一路回溯到叶子节点。
