核心要点
Variable 在 0.4 后已合并入 Tensor
历史：Variable 包装 Tensor 参与 Autograd
现在用 requires_grad=True 的 Tensor
能说明版本演进避免踩坑老教程
简要回答
早期 PyTorch 中 Variable 是带 Autograd 功能的张量包装；0.4 版后 Variable 与 Tensor 合并，现在直接用 requires_grad=True 的 Tensor 即可。
标准回答
一、历史背景
PyTorch 0.3 及以前，Variable 包装 Tensor 以接入 Autograd：.data 存数值，.grad 存梯度，requires_grad 控制是否求导。
二、PyTorch 0.4+
Variable 与 Tensor 合并。现在：
示例代码可以这样理解：
x = torch.randn(3, requires_grad=True) # 直接参与 Autograd
三、nn.Parameter
是特殊 Tensor，默认 requires_grad=True，注册为模型参数。
面试里不要只停在公式或名词，可以补 **PyTorch 中 Tensor 与 Variable ** 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
四、对比（现代视角）
| 概念 | 现代 PyTorch |
|---|---|
| 普通数据 | requires_grad=False 的 Tensor |
| 可训练参数 | nn.Parameter 或 requires_grad=True |
| 常量 | 不参与图的 Tensor |
| 读旧代码或教程看到 Variable(tensor) 应知已等价于 tensor.requires_grad_()。面试考此题多为确认你了解框架演进，而非让你用已废弃 API。详见 PyTorch 迁移说明。 |
回答思路
【定义】用一句话说清「PyTorch 中 Tensor 与 Variable」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：新代码仍 import Variable；混淆 .data 修改与 inplace 安全；不知道 0.4 合并历史。
追问
追问 1：nn.Parameter 和普通 Tensor 区别？
Parameter 注册到 Module.parameters()，出现在 state_dict，优化器默认追踪；普通 Tensor 即使用 requires_grad 也需手动传入 optimizer。
追问 2：叶子张量与非叶子区别？
用户直接创建或 Parameter 多为叶子，保留 .grad；中间运算结果为非叶子，默认 backward 后释放梯度。影响 hook 与调试。
追问 3：为什么废弃 Variable？
API 简化，减少 Tensor/Variable 双类型困惑；与 NumPy 心理模型一致——一个 Tensor 类型通过 flag 控制是否可微。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
