torch.autograd.Variable是Autograd的核心类，它封装了Tensor，并整合了反向传播的相关实现
Varibale包含三个属性：
- data：存储了Tensor，是本体的数据
- grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致
- grad_fn：指向Function对象，用于反向传播的梯度计算之用
data
import torch as t
from torch.autograd import Variable x = Variable(t.ones(2, 2), requires_grad = True)
x # 实际查询的是.data，是个Tensor
实际上查询x和查询x.data返回结果一致，
Variable containing:
1 1
1 1
[torch.FloatTensor of size 2x2]
梯度求解
构建一个简单的方程:y = x[0,0] + x[0,1] + x[1,0] + x[1,1]，Variable的运算结果也是Variable，但是，中间结果反向传播中不会被求导()
这和TensorFlow不太一致，TensorFlow中中间运算果数据结构均是Tensor，
y = x.sum() y
"""
Variable containing:
4
[torch.FloatTensor of size 1]
"""
可以查看目标函数的.grad_fn方法，它用来求梯度，
y.grad_fn
"""
<SumBackward0 at 0x18bcbfcdd30>
""" y.backward() # 反向传播
x.grad # Variable的梯度保存在Variable.grad中
"""
Variable containing:
1 1
1 1
[torch.FloatTensor of size 2x2]
"""
grad属性保存在Variable中，新的梯度下来会进行累加，可以看到再次求导后结果变成了2，
y.backward()
x.grad # 可以看到变量梯度是累加的
"""
Variable containing:
2 2
2 2
[torch.FloatTensor of size 2x2]
"""
所以要归零，
x.grad.data.zero_() # 归零梯度，注意，在torch中所有的inplace操作都是要带下划线的，虽然就没有.data.zero()方法 """
0 0
0 0
[torch.FloatTensor of size 2x2]
"""
对比Variable和Tensor的接口，相差无两，
Variable和Tensor的接口近乎一致，可以无缝切换 x = Variable(t.ones(4, 5)) y = t.cos(x) # 传入Variable
x_tensor_cos = t.cos(x.data) # 传入Tensor print(y)
print(x_tensor_cos) """
Variable containing:
0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
[torch.FloatTensor of size 4x5] 0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
0.5403 0.5403 0.5403 0.5403 0.5403
[torch.FloatTensor of size 4x5]
"""