在 PyTorch 中，每个张量（tensor）都有一个 .grad_fn 属性，用于表示该张量是如何计算出来的（即其生成该张量的操作）。如果一个张量是由用户直接创建的，则其 .grad_fn 属性为 None，表明该张量没有依赖其他张量生成；如果一个张量是通过一个或多个操作生成的，则其 .grad_fn 属性为相应的操作，表明该张量依赖于其他张量生成。
.grad_fn 属性在计算图（computational graph）中起到了非常重要的作用。计算图是将计算过程整体可视化的图形化表示，其中节点表示计算操作，边表示计算结果的传递过程。在 PyTorch 中，计算图是动态构建的，即在执行每个操作时都会生成一个新的节点，将其连接到已有的节点上。在反向传播（backpropagation）过程中，计算图会被反向遍历，从输出张量（即目标张量）开始逐个计算每个张量的导数（即梯度）并保存在相应的张量中，最终得到整张图的梯度信息。由于 .grad_fn 属性记录了每个张量的生成操作，因此在反向传播时可以根据 .grad_fn 属性寻找每个张量的生成操作，并根据该操作的导数规则求出该张量在当前图结构下的梯度。
需要注意的是，只有 requires_grad=True 的张量才会生成 grad_fn 属性，才能进行自动求导。如果需要对一个张量进行求导，需要手动设置 requires_grad=True。
例子：
比如张量的记录属性是AddmmBackward0</