变量.grad_fn表明该变量是怎么来的，用于指导反向传播。例如loss = a+b，则loss.gard_fn为<AddBackward0 at 0x7f2c90393748>，表明loss是由相加得来的，这个grad_fn可指导怎么求a和b的导数。

程序示例：

import torch

w1 = torch.tensor(2.0, requires_grad=True)
a = torch.tensor([[1., 2.], [3., 4.]], requires_grad=True)
tmp = a[0, :]
tmp.retain_grad()   # tmp是非叶子张量，需用.retain_grad()方法保留导数，否则导数将会在反向传播完成之后被释放掉
b = tmp.repeat([3, 1])
b.retain_grad()
loss = (b * w1).mean()
loss.backward()

print(b.grad_fn)    # 输出： <RepeatBackward object at 0x7f2c903a10f0>
print(b.grad)       # 输出： tensor([[0.3333, 0.3333],
                    #               [0.3333, 0.3333],
                    #               [0.3333, 0.3333]])

print(tmp.grad_fn)    # 输出：<SliceBackward object at 0x7f2c90393f60>
print(tmp.grad)       # 输出：tensor([1., 1.])


print(a.grad)     # 输出：tensor([[1., 1.],
                  #              [0., 0.]])

手动推导：

PyTorch grad_fn的作用以及RepeatBackward, SliceBackward示例

手动推导的结果和程序的结果是一致的。