PyTorch 是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理等应用。它由 Facebook 的人工智能 研究团队开发，并得到了许多其他机构和个人的贡献。PyTorch 以其易用性、灵活性和动态计算图（也称为自动微分系统）而闻名，这使得它在研究和开发深度学习 模型时非常受欢迎。PyTorch 的历史可以追溯到2016年，由Facebook 人工智能 研究院（FAIR）的Adam Paszke、Sam Gross和Soumith Chintala等人共同开发出初始版本。紧接着在2017年1月，Facebook 的人工智能 研究院（FAIR）向世界推出了PyTorch 。这个基于Torch的框架，以其Python 语言作为前端，同时为深度学习 研究者和开发者提供了两大核心优势：一是强大的GPU加速张量计算能力，其并行计算能力在当时与NumPy相媲美；二是内置的自动微分系统，使得构建深度神经网络变得更加直观和高效。PyTorch 的发展经历了几个重要的阶段： 初创期（2016-2017） ：PyTorch 0.1.0发布，支持动态计算图，并提供了Python 和C++接口。这个版本主要特点是灵活性和效率，吸引了大量用户关注。发展期（2018-2019） ：PyTorch 1.0发布，标志着PyTorch 进入了一个相对成熟的状态。这个版本引入了诸多新特性，如静态计算图、分布式训练等，进一步提高了性能和易用性。繁荣期（2020-至今） ：PyTorch 1.5发布后，社区蓬勃发展，各种扩展库如雨后春笋般涌现。这一阶段PyTorch 逐渐成为深度学习 领域的领导者之一，吸引了大量开发者和企业的关注。在2018年10月，在NeurIPS 2018会议上，Facebook 宣布了PyTorch 1.0的发布。这个版本的推出，标志着PyTorch 在商业化进程中取得了重要进展。随后在2022年9月，Facebook 的创始人马克·扎克伯格宣布成立了PyTorch 基金会，并将该基金会纳入Linux基金会的管理之下。这一决定有助于加强PyTorch 在开源社区中的影响力，并为其未来的持续发展提供了支持。 动态计算图 ：PyTorch 的计算图在运行时构建，这使得调试和修改模型变得容易。它允许用户在执行模型时进行更直观的调试，并且可以动态地改变网络的行为。张量操作（Tensor Operations） ：PyTorch 的核心是其张量库，这是对 NumPy 的多维数组的一个扩展，支持GPU加速。张量操作是构建和训练深度学习 模型的基础。自动微分 ：PyTorch 提供了自动微分功能，这意味着它可以自动计算梯度，这对于训练神经网络至关重要。丰富的API ：PyTorch 提供了大量的预定义层、损失函数和优化器，这使得构建和训练模型变得简单。多GPU支持 ：PyTorch 支持多GPU训练，这使得可以在多个GPU上并行训练模型，从而加快训练过程。优化器（Optimizers） ：torch.optim 模块包含了多种优化算法，如SGD、Adam、RMSprop等，这些都是训练神经网络时常用的优化器。模型序列化和反序列化（Model Serialization and Deserialization） ：PyTorch 支持将模型和张量保存到文件中，并在以后加载它们。这使得模型可以在训练后被保存和共享。社区和生态系统 ：PyTorch 拥有一个活跃的社区，提供了大量的教程、文档和预训练模型，这有助于用户快速上手和解决问题。与Python 的兼容性 ：PyTorch 与 Python 紧密集成，使得使用 Python 进行深度学习 研究和开发变得非常自然。灵活性 ：PyTorch 允许用户轻松地定义新的模型架构，并且可以轻松地修改现有模型。与C++集成（C++ Integration） ：PyTorch 可以与C++集成，允许用户在C++应用程序中使用训练好的PyTorch 模型。TensorFlow ：由Google开发的开源机器学习框架，以其强大的生态系统和广泛的社区支持而闻名。TensorFlow提供了静态计算图，适合大规模生产环境和分布式训练。TensorFlow也提供了高级API如Keras，简化了模型的构建过程。百度飞桨（PaddlePaddle） ：百度开发的深度学习 平台，在中国市场份额已超越PyTorch 和TensorFlow，位居第一。飞桨提供了丰富的API和工具，支持多种深度学习 模型，并具有良好的硬件适配性。飞桨还注重开发者体验，提供了丰富的学习资源和社区支持。华为MindSpore ：华为推出的开源深度学习 框架，支持多种设备（如云端服务器、边缘设备、终端设备等），并支持多种使用场景（包括基于云的训练、推理等）。MindSpore旨在为用户提供全场景的AI方案。腾讯优图 ：腾讯开发的深度学习 框架，虽然在国际上的知名度不如TensorFlow和PyTorch ，但在中国市场也有一定的用户基础和应用场景。除了这些，还有其他一些框架如Jittor（清华大学开发）、OneFlow（一流科技开发）等也在特定领域和场景中有应用。这些框架之间的竞争非常激烈，它们各自都有独特的优势和特点，以满足不同用户和应用场景的需求。 ○ v2.5.0○ v2.4.1○ v2.4.0○ v2.3.1○ v2.3.0○ v2.2.2○ v2.2.1○ v2.2.0○ v2.1.2○ v2.1.1○ v2.1.0○ v2.0.1○ v2.0.0○ v1.13.1○ v1.13.0○ v1.12.1○ v1.12.0○ v1.11.0○ v1.10.2○ v1.10.1○ v1.10.0○ v1.9.1○ v1.8.2○ v1.9.0○ v1.8.1○ v1.8.0○ v1.7.1○ v1.7.0○ v1.6.0○ v1.5.1○ v1.5.0○ v1.4.0○ v1.3.1○ v1.3.0○ v1.2.0○ v1.1.0○ v1.0.1○ v1.0.0○ v1.0rc1○ v0.4.1○ v0.4.0○ v0.3.1○ v0.3.0○ v0.2.0○ v0.1.12○ v0.1.11○ v0.1.10○ v0.1.9○ v0.1.8○ v0.1.7○ v0.1.6○ v0.1.5○ v0.1.4○ v0.1.3○ v0.1.2○ v0.1.1
官网网址：https://pytorch .org/ GitHub：https://github.com/pytorch /pytorch 以PyTorch 为基础的深度学习 资料：https://zh.d2l.ai/ NVIDIA 相关介绍：https://www.nvidia.cn/glossary/data-science/pytorch / wiki：https://github.com/pytorch /pytorch /wiki 介绍：https://pytorch -cn.readthedocs.io/zh/latest/#pytorch 
