编辑“︁PyTorch”︁

{{Infobox software
| name = PyTorch
| logo = [[File:Pytorch logo.svg|200px]]
| developer = [[Facebook AI Research]] (FAIR)
| released = {{Start date and age|2016|10}}
| programming_language = [[Python (编程语言)|Python]], [[C++]], [[CUDA]]
| operating_system = [[Linux]], [[macOS]], [[Windows]]
| genre = [[机器学习库]], [[深度学习框架]]
| license = [[BSD许可证]]
| website = {{URL|https://pytorch.org}}
}}

'''PyTorch'''是一个基于[[Python (编程语言)|Python]]的开源[[机器学习]]库，主要用于[[深度学习]]应用开发。由[[Facebook AI Research]] (FAIR)团队开发并维护，PyTorch以其动态计算图（称为'''自动微分'''）和直观的接口而闻名，已成为学术界和工业界广泛使用的深度学习框架之一。

== 历史与发展 ==
PyTorch的前身是Torch，一个基于[[Lua (编程语言)|Lua]]的科学计算框架。2016年10月，Facebook发布了PyTorch 0.1.0版本，将Torch的核心功能移植到Python生态系统中。2018年发布的1.0版本引入了TorchScript，使得模型可以部署到生产环境中。

== 核心特性 ==

=== 动态计算图 ===
PyTorch采用'''动态计算图'''（Dynamic Computational Graph）机制，也称为'''define-by-run'''方式。这使得模型可以在运行时构建和修改计算图，为研究和实验提供了极大的灵活性。

<syntaxhighlight lang="python">
import torch

# 动态计算图示例
x = torch.tensor(3.0, requires_grad=True)
y = torch.tensor(4.0, requires_grad=True)
z = x**2 + y**3
z.backward()

print(x.grad)  # 输出: tensor(6.)
print(y.grad)  # 输出: tensor(48.)
</syntaxhighlight>

=== 自动微分 ===
PyTorch的'''autograd'''包提供了自动微分功能，可以自动计算梯度，这对于训练神经网络至关重要。

=== GPU加速 ===
PyTorch支持[[CUDA]]，可以无缝地在CPU和GPU之间切换计算：

<syntaxhighlight lang="python">
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = torch.randn(1000, 1000, device=device)
</syntaxhighlight>

=== 丰富的预训练模型 ===
PyTorch提供了'''torchvision'''、'''torchtext'''和'''torchaudio'''等扩展库，包含大量预训练模型：

<syntaxhighlight lang="python">
from torchvision import models

resnet = models.resnet50(pretrained=True)
</syntaxhighlight>

== 主要组件 ==

=== torch ===
核心张量库，提供类似[[NumPy]]的功能，但支持GPU加速和自动微分。

=== torch.nn ===
神经网络模块，包含各种层、损失函数和优化器。

=== torch.optim ===
优化算法实现，如[[随机梯度下降]]（SGD）、[[Adam]]等。

=== torch.utils.data ===
数据加载和预处理工具。

== 与其他框架的比较 ==

{| class="wikitable"
|-
! 特性 !! PyTorch !! [[TensorFlow]] (2.x)
|-
| 计算图 || 动态 || 动态/静态可选
|-
| 调试难度 || 较易 || 较难
|-
| 社区支持 || 学术为主 || 工业为主
|-
| 部署工具 || TorchScript || TensorFlow Lite/Serving
|-
| 可视化 || TensorBoard || TensorBoard
|}

== 应用案例 ==

=== 计算机视觉 ===
PyTorch在[[计算机视觉]]领域应用广泛，支持图像分类、目标检测、语义分割等任务。

=== 自然语言处理 ===
许多最新的[[自然语言处理]]（NLP）模型如[[BERT]]、[[GPT]]都有PyTorch实现。

=== 强化学习 ===
PyTorch的动态特性使其特别适合[[强化学习]]算法的实现。

== 生态系统 ==

* '''TorchVision'''：计算机视觉专用库
* '''TorchText'''：文本处理工具
* '''TorchAudio'''：音频处理工具
* '''PyTorch Lightning'''：轻量级封装框架
* '''HuggingFace Transformers'''：预训练NLP模型库

== 安装与配置 ==
PyTorch可以通过[[pip]]或[[conda]]安装：

<syntaxhighlight lang="bash">
# 使用pip安装CPU版本
pip install torch torchvision torchaudio

# 使用conda安装GPU版本（需要CUDA）
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
</syntaxhighlight>

== 学习资源 ==
* [https://pytorch.org/tutorials/ 官方教程]
* [https://course.fast.ai/ Fast.ai课程]
* 《Deep Learning with PyTorch》书籍

== 参见 ==
* [[TensorFlow]]
* [[Keras]]
* [[MXNet]]
* [[深度学习]]
* [[机器学习框架比较]]

[[Category:机器学习库]]
[[Category:深度学习框架]]
[[Category:Python库]]
[[Category:Facebook软件]]