举个栗子：
有两个网络F和G，其中y=F(x), z=G(y), 假设现在想通过z.bachward()实现z对y的求导，但是又不想y对x求导
那么怎么做呢？
# 第一种
y=F(x)
z=G(y.detach())
z.backward()
# 第二种
y=F(x)
y_ = y.detach_()
z=G(y_)
z.backward()detach():返回一个新的从当前图中分离的Variable，且返回的Variable永远不会需要梯度，返回的Variable和被detach的Variable指向同一个tensor
detach_():把Variable作为叶子结点，从创建它的图中剥离出来
上面的栗子用两种方法都可以，但是如果y也想对F网络进行BP呢？就只能用第一种方法了，因为第二种已经把网络的输出y当作叶子结点从模型中detach(分离)出去了(˶‾᷄ ⁻̫ ‾᷅˵)
总之，用第一种总没错啦(>^ω^<)就目前的水平来看～