pytorch/pytorch

PyTorch – 一个灵活的 Python 深度学习库

它是什么

• 一个开源的 Python 包，提供两个核心功能：
  1. 张量计算 – 一个类似 NumPy 的数组库，可以在 CPU 和 GPU 上运行。
  2. 动态神经网络构建 – 一个基于磁带的自动微分系统（torch.autograd），让您可以即时定义、更改和调试模型。

关键组件

模块	用途
torch	核心张量 API（CPU/GPU、线性代数、数学等）
torch.autograd	任意张量操作的反向模式自动微分
torch.nn	高级神经网络构建块（层、损失函数、优化器）
torch.multiprocessing	基于进程的并行，支持共享内存张量
torch.utils	数据加载工具、数据集包装器等

为什么重要

• Python 优先：感觉像原生 Python/NumPy；您可以用纯 Python 编写新层，或用 C/C++/Cython 扩展，无需重型包装器。
• 命令式执行：代码逐行运行，提供清晰的堆栈跟踪和易于调试。
• 速度：集成 Intel MKL、NVIDIA cuDNN/NCCL、AMD ROCm 和自定义 GPU 内存分配器，实现低开销。
• 可扩展：简单的 API 用于自定义操作、C++ 扩展和第三方库。

典型用途

• 研究原型，您需要即时调整模型架构。
• 需要快速 GPU 训练或推理的生产工作负载。
• 任何受益于 GPU 加速张量的科学计算。

入门

• 二进制 – 从官方网站使用 pip 或 conda 安装：https://pytorch.org/get-started/locally/。
• 从源码 – 克隆仓库，安装开发依赖（pip install --group dev），并运行标准的基于 CMake 的构建（python -m pip install -e .）。README 详细说明了 CUDA、AMD ROCm 和 Intel GPU 的 GPU 特定选项。
• Docker – 拉取官方镜像（docker run --gpus all --rm -ti pytorch/pytorch:latest）。

社区与支持

• 大量教程（例如 README 中链接的“Basics”教程）。
• 活跃的 CI 仪表板在 hud.pytorch.org。
• 仓库中 Communication 下列出的沟通渠道。

许可证

• 根据 BSD-3-Clause 许可证分发。

简而言之，PyTorch 是任何想要一个快速、灵活且 Python 友好的深度学习平台和 GPU 加速科学计算平台的首选库。