PyTorch 是一種開源深度學習框架，以出色的靈活性和易用性著稱。這在一定程度上是因為與機器學習開發(fā)者和數(shù)據(jù)科學家所青睞的熱門 Python 高級編程語言兼容。

什么是 PyTorch ？

PyTorch 是一種用于構建深度學習模型的功能完備框架，是一種通常用于圖像識別和語言處理等應用程序的機器學習。使用 Python 編寫，因此對于大多數(shù)機器學習開發(fā)者而言，學習和使用起來相對簡單。PyTorch 的獨特之處在于，它完全支持 GPU，并且使用反向模式自動微分技術，因此可以動態(tài)修改計算圖形。這使其成為快速實驗和原型設計的常用選擇。

為何選擇 PyTorch ？

PyTorch 是 Facebook AI Research 和其他幾個實驗室的開發(fā)者的工作成果。該框架將 Torch 中高效而靈活的 GPU 加速后端庫與直觀的 Python 前端相結合，后者專注于快速原型設計、可讀代碼，并支持盡可能廣泛的深度學習模型。Pytorch 支持開發(fā)者使用熟悉的命令式編程方法，但仍可以輸出到圖形。它于 2017 年以開源形式發(fā)布，其 Python 根源使其深受機器學習開發(fā)者的喜愛。

值得注意的是，PyTorch 采用了 Chainer 創(chuàng)新技術，稱為反向模式自動微分。從本質(zhì)上講，它就像一臺磁帶錄音機，錄制完成的操作，然后回放，計算梯度。這使得 PyTorch 的調(diào)試相對簡單，并且能夠很好地適應某些應用程序，例如動態(tài)神經(jīng)網(wǎng)絡。由于每次迭代可能都不相同，因此非常適用于原型設計。

PyTorch 在 Python 開發(fā)者中特別受歡迎，因為它使用 Python 編寫，并使用該語言的命令式、運行時定義即時執(zhí)行模式，在這種模式下，從 Python 調(diào)用運算時執(zhí)行運算。隨著 Python 編程語言的廣泛采用，一項調(diào)查顯示，AI 和機器學習任務受到越來越多的關注，并且相關 PyTorch 的采用也隨之提升。這使得 PyTorch 對于剛接觸深度學習的 Python 開發(fā)者來說是一個很好的選擇，而且越來越多的深度學習課程基于 PyTorch。從早期版本開始，API 一直保持一致，這意味著代碼對于經(jīng)驗豐富的 Python 開發(fā)者來說相對容易理解。

PyTorch 的獨特優(yōu)勢是快速原型設計和小型項目。其易用性和靈活性也使其深受學術和研究界的喜愛。

Facebook 開發(fā)者一直努力改進 PyTorch 的高效應用。新版本已提供增強功能，例如支持谷歌的 TensorBoard 可視化工具以及即時編譯。此外，還擴展了對 ONNX（開放神經(jīng)網(wǎng)絡交換）的支持，使開發(fā)者能夠匹配適合其應用程序的深度學習框架或運行時。

PyTorch 的主要優(yōu)勢

PyTorch 的一些重要特性包括：

PyTorch.org 社區(qū)有一個充滿活力的大型社區(qū)，具有優(yōu)秀的文檔和教程。論壇十分活躍，并能給予幫助和支持。

采用 Python 編寫，并集成了熱門的 Python 庫，例如用于科學計算的 NumPy、SciPy 和用于將 Python 編譯為 C 以提高性能的 Cython。由于 PyTorch 的語法和用法類似于 Python，因此對于 Python 開發(fā)者來說，學習起來相對容易。

受主要云平臺的有力支持。

腳本語言（稱為 TorchScript）在即時模式下易于使用且靈活。這是一種快速啟動執(zhí)行模式，從 Python 調(diào)用運算時立即執(zhí)行運算，但也可以在 C++ 運行時環(huán)境中轉換為圖形模型，以提高速度和實現(xiàn)優(yōu)化。

它支持 CPU、GPU、并行處理以及分布式訓練。這意味著計算工作可以在多個 CPU 和 GPU 核心之間分配，并且可以在多臺機器上的多個 GPU 上進行訓練。

PyTorch 支持動態(tài)計算圖形，能夠在運行時更改網(wǎng)絡行為。與大多數(shù)機器學習框架相比，提供了更大的靈活性優(yōu)勢，因為大多數(shù)機器學習框架要求在運行時之前將神經(jīng)網(wǎng)絡定義為靜態(tài)對象。

PyTorch Hub 是一個預訓練模型庫，在某些情況下只需使用一行代碼就可以調(diào)用。

新自定義組件可創(chuàng)建為標準 Python 類的子類，可以通過 TensorBoard 等外部工具包輕松共享參數(shù)，并且可以輕松導入和內(nèi)聯(lián)使用庫。

PyTorch 擁有一組備受好評的 API，可用于擴展核心功能。

既支持用于實驗的“即時模式”，也支持用于高性能執(zhí)行的“圖形模式”。

擁有從計算機視覺到增強學習等領域的大量工具和庫。

支持 Python 程序員熟悉的純 C++ 前端接口，可用于構建高性能 C++ 應用程序。

PyTorch 的工作原理

PyTorch 和 TensorFlow 的相似之處在于，兩者的核心組件都是張量和圖形。

張量

張量是一種核心 PyTorch 數(shù)據(jù)類型，類似于多維數(shù)組，用于存儲和操作模型的輸入和輸出以及模型的參數(shù)。張量與 NumPy 的 ndarray 類似，只是張量可以在 GPU 上運行以加速計算。

圖形

神經(jīng)網(wǎng)絡將一系列嵌套函數(shù)應用于輸入?yún)?shù)，以轉換輸入數(shù)據(jù)。深度學習的目標是通過計算相對損失指標的偏導數(shù)（梯度），優(yōu)化這些參數(shù)（包括權重和偏差，在 PyTorch 中以張量的形式存儲）。在前向傳播中，神經(jīng)網(wǎng)絡接受輸入?yún)?shù)，并向下一層的節(jié)點輸出置信度分數(shù)，直至到達輸出層，在該層計算分數(shù)誤差。在一個稱為梯度下降的過程中，通過反向傳播，誤差會再次通過網(wǎng)絡發(fā)送回來，并調(diào)整權重，從而改進模型。

圖形是由已連接節(jié)點（稱為頂點）和邊緣組成的數(shù)據(jù)結構。每個現(xiàn)代深度學習框架都基于圖形的概念，其中神經(jīng)網(wǎng)絡表示為計算的圖形結構。PyTorch 在由函數(shù)對象組成的有向無環(huán)圖(DAG) 中保存張量和執(zhí)行操作的記錄。在以下 DAG 中，葉是輸入張量，根是輸出張量。

在許多熱門框架（包括 TensorFlow）中，計算圖形是一個靜態(tài)對象。PyTorch 基于動態(tài)計算圖形，即，在運行時構建和重建計算圖形，并使用與執(zhí)行前向傳遞的計算相同的代碼，同時還創(chuàng)建反向傳播所需的數(shù)據(jù)結構。PyTorch 是首個運行時定義深度學習框架，與 TensorFlow 等靜態(tài)圖形框架的功能和性能相匹配，非常適合從標準卷積網(wǎng)絡到時間遞歸神經(jīng)網(wǎng)絡等所有網(wǎng)絡。

PyTorch 用例

眾所周知，PyTorch 框架十分便捷且靈活，增強學習、圖像分類和自然語言處理等示例是比較常見的用例。

商業(yè)、研究和教育示例

自然語言處理 (NLP)：從 Siri 到 Google Translate，深度神經(jīng)網(wǎng)絡在機器理解自然語言方面取得了突破性進展。其中大多數(shù)模型都將語言視為單詞或字符的平面序列，并使用一種稱為時間遞歸神經(jīng)網(wǎng)絡(RNN) 的模型處理該序列。但是，許多語言學家認為，語言極易理解為一個由短語組成的層次樹，因此，大量研究已經(jīng)進入稱為遞歸神經(jīng)網(wǎng)絡的深度學習模型，該模型將這種結構考慮在內(nèi)。雖然這些模型難以實現(xiàn)且運行效率低下，但 PyTorch 使這些模型和其他復雜自然語言處理變得容易得多。Salesforce 正在使用 PyTorch 進行 NLP 和多任務學習。

研究：PyTorch 具有易用性、靈活性和快速原型設計，是研究的首選。斯坦福大學正在利用 PyTorch 的靈活性高效研究新的算法方法。

教育：Udacity 正在使用 PyTorch 培養(yǎng) AI 創(chuàng)新者。

PyTorch 的重要意義

數(shù)據(jù)科學家

對于熟悉 Python 的程序員而言，PyTorch 學習起來相對容易。它提供了簡單的調(diào)試、簡單的 API ，并且兼容各種內(nèi)置 Python 的擴展。其動態(tài)執(zhí)行模型也非常適合原型設計，盡管會產(chǎn)生一些性能開銷。

軟件開發(fā)者

PyTorch 支持各種功能，可以快速輕松地部署 AI 模型。它還具有豐富的庫生態(tài)系統(tǒng)，如 Captum（用于模型可解釋性）、skorch（scikit-learn 兼容性）等，以支持開發(fā)。PyTorch 具有出色的加速器生態(tài)系統(tǒng)，例如，Glow（用于訓練）和 NVIDIA TensorRT（用于推理）。

GPU：深度學習的關鍵

在架構方面，CPU 僅由幾個具有大緩存內(nèi)存的核心組成，一次只可以處理幾個軟件線程。相比之下，GPU 由數(shù)百個核心組成，可以同時處理數(shù)千個線程。

先進的深度學習神經(jīng)網(wǎng)絡可能有數(shù)百萬乃至十億以上的參數(shù)需要通過反向傳播進行調(diào)整。由于神經(jīng)網(wǎng)絡由大量相同的神經(jīng)元構建而成，因此本質(zhì)上具有高度并行性。這種并行性會自然地映射到 NGC (NVIDIA GPU Cloud)，用戶可以在其中提取容器，這些容器具有可用于各種任務（例如計算機視覺、自然語言處理等）的預訓練模型，且所有依賴項和框架位于一個容器中。借助 NVIDA 的 TensorRT，使用 NVIDIA GPU 時，可以在 PyTorch 上顯著提高推理性能。

面向開發(fā)者的 NVIDIA 深度學習

GPU 加速深度學習框架能夠為設計和訓練自定義深度神經(jīng)網(wǎng)絡帶來靈活性，并為 Python 和 C/C++ 等常用編程語言提供編程接口。MXNet、PyTorch、TensorFlow 等廣泛使用的深度學習框架依賴于 NVIDIA GPU 加速庫，能夠提供高性能的多 GPU 加速訓練。

NVIDIA GPU 加速的端到端數(shù)據(jù)科學

基于 CUDA-X AI 創(chuàng)建的 NVIDIA RAPIDS開源軟件庫套件使您完全能夠在 GPU 上執(zhí)行端到端數(shù)據(jù)科學和分析流程。此套件依靠 NVIDIA CUDA 基元進行低級別計算優(yōu)化，但通過用戶友好型 Python 接口實現(xiàn)了 GPU 并行化和高帶寬顯存速度。

借助 RAPIDS GPU DataFrame，數(shù)據(jù)可以通過一個類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機器學習和圖形分析算法，而無需離開 GPU。這種級別的互操作性是通過 Apache Arrow 這樣的庫實現(xiàn)的。這可加速端到端流程（從數(shù)據(jù)準備到機器學習，再到深度學習）。

RAPIDS 支持在許多熱門數(shù)據(jù)科學庫之間共享設備內(nèi)存。這樣可將數(shù)據(jù)保留在 GPU 上，并省去了來回復制主機內(nèi)存的高昂成本。

審核編輯：湯梓紅