访问官网
Github
Huggingface
文档
论文项目介绍：PyTorch
PyTorch 是一个基于 Python 的深度学习框架，它提供了两个核心功能：高效的张量计算和动态的神经网络构建。PyTorch 的设计目标是灵活性和速度，方便研究人员和开发者迅速构建和调整模型。
深入了解 PyTorch
让我们逐步了解 PyTorch 是如何工作的。
准备好使用 GPU 的张量库
张量可以被看作是一个增强版的多维数组，类似于 NumPy 中的 ndarray。PyTorch 使张量可以驻留在 CPU 或 GPU 上，并大大加速计算。它提供了多种加速科学计算的张量操作，例如切片、索引、数学运算、线性代数和归约。
动态神经网络：基于 Tape 的自动微分
PyTorch 使用一种称为反向传播自动微分的技术，这使得可以在不影响性能的情况下动态调整网络结构。这种灵活性使得 PyTorch 非常适合进行复杂的研究。
针对 Python 的优先支持
PyTorch 深度集成于 Python 生态系统中。用户可以使用自己喜欢的 Python 库扩展其功能，避免了重复造轮子。此外，用户可以在不使用许多抽象和复杂性的情况下，以快速、简单的方式创建新的神经网络层。
快速且简洁
通过集成加速库（如 Intel MKL 和 NVIDIA cuDNN），PyTorch 最大限度地提高了运行速度。其内存使用效率极高，使得大型深度学习模型的训练成为可能。
无痛扩展
PyTorch 的设计使得编写新模块和扩展其功能变得非常简单。用户可以利用 torch API 或基于 NumPy 的库编写新的神经网络层，如果需要，更可以使用 C/C++ 进行扩展而不需要编写过多的包装代码。
安装指南
PyTorch 的安装方式多种多样，可以通过 Conda 或 pip 进行二进制安装，或是从源代码构建进一步自定义。
从源代码安装
为支持不同的硬件平台（如 NVIDIA CUDA、AMD ROCm 和 Intel GPU），用户需要安装相应的环境和依赖。比如在 Linux 上需要 Python 3.9 及以上版本、支持 C++17 的编译器等。
Docker 镜像
用户可以直接从 Docker Hub 拉取预构建的 Docker 镜像。此外，还有支持 CUDA 和 cuDNN 的 Dockerfile 来帮助用户构建自己的镜像。
入门指南
提供了一系列教程和示例来帮助用户快速上手，包括教程、示例代码 和API 参考。这使得即使是新手也能快速上手。
资源和交流
PyTorch 作为一个开源项目，拥有丰富的学习资源和活跃的社区。用户可以访问其官方网站、教程、论坛和 GitHub 参与讨论和解决问题。
贡献和发布
PyTorch 的开发依赖于社区的贡献。欢迎开发者提交 bug 修复或功能改进建议。不过在做大特性改动前，请先与核心开发团队讨论，以避免与项目整体方向不符。PyTorch 通常每年发布三个小版本以不断改进和强化其功能。
PyTorch 是一个BSD协议下的社区驱动项目，其发展得益于众多开发者和研究人员的共同努力。
