📌 项目地址：pytorch/pytorch | ⭐ 101,166 颗星 | 🔧 Python | 📜 未标注
它解决了什么问题？
深度学习社区长期存在一个矛盾：研究阶段需要快速迭代、灵活调试，而生产部署要求模型稳定、可优化、跨平台。PyTorch 的设计目标就是同时满足这两端。它提供基于动态计算图的自动微分系统，让研究者可以像写普通 Python 代码一样构建和调试神经网络，同时通过 TorchScript 编译栈，将模型导出为序列化、可优化的格式，服务于生产环境。
与 NumPy 高度一致的张量接口，加上一行代码即可切换 GPU 加速的特性，显著降低了从数据预处理到模型训练的门槛。
实际用法
安装（来自 README 原文）
PyTorch 提供了多种安装方式，包括预编译二进制包（推荐通过 pip 或 conda 安装），也支持从源码编译。具体命令因操作系统、CUDA 版本而异，建议前往 pytorch.org 选择适合自己的配置。例如：
# 仅做示意，实际命令请查阅官网
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
对于 NVIDIA Jetson 平台、AMD ROCm、Intel GPU 的支持，README 均提供了专门的说明，可参考 NVIDIA Jetson Platforms 章节。
基本张量操作
PyTorch 的核心是 torch.Tensor，用法与 NumPy 类似，但可以自动利用 GPU。
import torch
# 创建一个随机矩阵
x = torch.rand(5, 3)
print(x)
# 检测 GPU 是否可用，并将张量移至 GPU
if torch.cuda.is_available():
x = x.cuda()
print(x.device) # 输出: cuda:0
详细教程请参考 官方的初学者基础教程。
构建一个简单的神经网络
torch.nn 模块提供了 Layer 容器、损失函数和优化器。以下是定义一个全连接网络的典型结构（来自官方文档示例）：
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(784, 256)
self.fc2 = nn.Linear(256, 10)
def forward(self, x):
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
与同类工具的区别
对比 TensorFlow（特别是 2.x 版本之前），PyTorch 最大的不同是天生的动态计算图。这意味着你可以在每次前向传播时根据条件改变网络结构（例如按照输入长度动态展开 RNN），调试时可以用普通的 print 观察中间张量值，无需 tf.print 或 Session 概念。这种“命令式”体验让 PyTorch 在学术界迅速成为首选。
另一个区别是 PyTorch 的 tape-based autograd（torch.autograd）。每次前向传播会记录操作轨迹，反向传播时直接据此计算梯度，简化了自定义梯度的流程。而 TensorFlow 在 2.x 转向 eager 模式后已大幅缩小差距，但部分生态工具（如 TFX 全集）仍更偏向企业级 pipeline 管理。
需要注意的事项
- 许可证：PyTorch 采用 BSD 许可证，允许自由使用、修改和分发，包括商用。
- 版本迭代与兼容性：虽然 PyTorch 维护了良好的向后兼容性，但建议使用官方最新的稳定版（可参考 Previous Versions 章节）。新功能（如 TorchDynamo、torch.compile）正在快速发展，生产部署时需确认稳定性。
- 对 GPU 强依赖：虽然 CPU 环境也能运行，但 GPU 加速是其核心优势。如果只有纯 CPU 环境，计算效率远不及 TensorFlow 或 ONNX Runtime 等针对 CPU 优化的方案。
- 部署生态：相较于 TensorFlow 拥有完善的 TF Serving、TFLite、TF.js，PyTorch 的部署主要通过 TorchScript、TorchServe，或借助 ONNX 转接。如果你的项目需要强移动端或浏览器端推理，建议评估 ONNX 或专有框架。
谁应该使用 PyTorch？
- 研究人员：需要频繁修改网络结构、实验新层、自定义梯度，PyTorch 的灵活性和调试体验几乎是不可替代的。
- 计算机视觉/自然语言处理入门者：生态库（torchvision、torchaudio、torchtext）成熟，社区教程丰富，快速上手。
- 有生产部署需求的团队：只要你的部署环境支持 GPU（服务器、边缘设备如 Jetson），TorchScript 和 TorchServe 能够满足大部分需求。但若需要极致的跨平台（移动端、WebAssembly），则需额外考虑。
总结
PyTorch 不是一个追求“万能”的框架，而是一个在“灵活”与“可用”之间找到平衡点的工具。它让研究阶段的创新不受框架约束，又提供了将研究成果落地的必要组件。如果你重度使用 GPU 进行深度学习，并且不想在开发过程中被静态图束缚，PyTorch 值得作为主力框架。