我是Pytorch的新手，对nn.Parameter和autograd.Variable之间的区别感到困惑。我知道前一个是Variable的子类，并且具有渐变。但是我真的不明白为什么我们引入Parameter以及何时使用它？
摘要：
感谢iacolippo的解释，我终于了解了parameter和variable之间的区别。总而言之，pytorch中的variable与tensorflow中的variable不同，前者未附加到模型的可训练参数上，而后者则未附加到模型的可训练参数上。附加到模型意味着使用model.parameters()将向您返回特定参数，这在训练阶段用于指定训练所需的变量很有用。 “变量”作为某些网络中的缓存更为有用。
答案 0 :(得分：3)
从文档中：
Parameters是Tensor的子类，与Module s一起使用时具有非常特殊的属性-当它们被分配为Module属性时，它们会自动添加到其参数列表，并会出现例如在parameters()迭代器中。分配张量不会产生这种效果。这是因为可能要在模型中缓存一些临时状态，例如RNN的最后一个隐藏状态。如果没有Parameter这样的类，这些临时人员也将被注册。
例如，初始化优化器时要考虑以下问题：
optim.SGD(model.parameters(), lr=1e-3)
优化器将仅更新已注册的模型Parameters。
Variable，但已弃用。从文档中：
Variable API已被弃用：Variable不再需要与张量一起使用autograd。将Tensors设置为requires_grad时，Autograd自动支持True。
在0.4版之前的Pytorch中，需要将Tensor包裹在torch.autograd.Variable中，以便跟踪对其应用的操作并执行区分。来自Variable中0.3的文档：
包装张量并记录对其应用的操作。
Variable是Tensor对象周围的薄包装，它也保存了渐变w.r.t。它，以及对创建它的函数的引用。此参考允许追溯创建数据的整个操作链。如果Variable是用户创建的，则其grad_fn将是None，我们称此类对象为叶子Variables。
由于autograd仅支持标量值函数微分，因此grad的大小始终与data的大小匹配。另外，grad通常仅分配给叶变量，否则将始终为零。
与Parameter的差异大致相同。来自Parameters中0.3的文档：
一种Variable，将被视为模块参数。
Parameters是Variable的子类，与Module s一起使用时具有非常特殊的属性-当将它们分配为Module属性时，它们会自动添加到其列表中参数，并会出现，例如在parameters()迭代器中。分配Variable不会产生这种效果。这是因为可能要在模型中缓存一些临时状态，例如RNN的最后一个隐藏状态。如果没有Parameter这样的类，这些临时人员也将被注册。
另一个区别是，参数不能不稳定，并且默认情况下需要渐变。