前言

首先看一下官方文档：

一、Variable

torch.autograd.Variable

Variable是对Tensor的封装，操作与tensor基本一致，不同的是，每一个Variable被构建的时候，都包含三个属性：

1、data:Variable中所包含的tensor
2、grad:tensor的梯度 .grad
3、以何种方式得到这种梯度 .grad_fn
之所以有Variable这个数据结构，是为了引入计算图（自动求导），方便构建神经网络。通过调用backward()，我们可以对某个Variable（譬如说y）只进行一次自动求导，但如果我们再对这个Variable进行一次backward()操作，会发现程序报错。这是因为PyTorch默认做完一次自动求导后，就把计算图丢弃了。我们可以通过设置retain_graph = True,保留计算图，来实现多次求导。

作者：双听
链接：https://www.jianshu.com/p/cb739922ce88
来源：简书
操作下面用例子说明：

from torch.autograd import Variable
a = torch.randn(10, 5)
b = torch.randn(10, 5)
x = Variable(a, requires_grad=True)
y = Variable(b, requires_grad=True)
z = x + y
z.backward(retain_graph=True)
x.grad            # x的梯度 10x1 的全1tensor
z.grad_fn  

二、Parameter

torch.nn.Parameter(是Variable的子类)
如果在网络的训练过程中需要更新，就要定义为Parameter, 　类似为W(权重)和b(偏置)也都是Parameter

Variable默认是不需要求梯度的，还需要手动设置参数 requires_grad=True。Variable因为要多次反向传播，那么在backward的时候还要手动注明参数（）,就非常麻烦。
Pytorch主要通过引入nn.Parameter类型的变量和optimizer机制来解决了这个问题。Parameter是Variable的子类，本质上和后者一样，只不过parameter默认是求梯度的，同时一个网络中的parameter变量是可以通过 net.parameters() 来很方便地访问到的，只需将网络中所有需要训练更新的参数定义为Parameter类型，再用以optimizer，就能够完成所有参数的更新了，例如：optimizer = torch.optim.SGD(net.parameters(), lr=1e-1)

总结

Variable，Parameter和torch.tensor()
相同点
:torch.tensor()、torch.autograd.Variable和torch.nn.Parameter 基本一样。
前两者都可以设置requires_grad参数，后者则直接默认requires_grad=True。
三者都拥有.data,.grad,.grad_fn等属性。
所以，只要requires_grad=True，都可以计算梯度以及backward()。

不同之处：
torch.nn.Parameter，直接默认requires_grad=True，在参数量大时更加方便。