1、PyTorch简介

2017年1月，Facebook人工智能研究院（FAIR）团队在GitHub上开源了PyTorch，并迅速占领GitHub热度榜榜首。

作为具有先进设计理念的框架，PyTorch的历史可追溯到Torch。Torch于2002年诞生于纽约大学，它使用了一种受众面比较小的语言Lua作为接口。Lua具有简洁高效的特点，但由于其过于小众，导致很多人听说要掌握Torch必须新学一门语言而望而却步。

考虑到Python在计算科学领域的领先地位，以及其生态的完整性和接口的易用性，几乎任何框架都不可避免地要提供Python接口。因此，Torch的幕后团队推出了PyTorch。PyTorch不是简单地封装Lua，Torch提供Python接口，而是对Tensor之上的所有模块进行了重构，并新增了最先进的自动求导系统，成为当下最流行的动态图框架。

PyTorch一经推出就立刻引起了广泛关注，并迅速在研究领域流行起来。PyTorch自发布起关注度就在不断上升，截至2017年10月18日，PyTorch的热度已然超越了其他三个框架（Caffe、MXNet和Theano），并且其热度还在持续上升中。

2、PyTorch的特点

PyTorch可以看作是加入了GPU支持的Numpy。而TensorFlow与Caffe都是命令式的编程语言，而且它们是静态的，即首先必须构建一个神经网络，然后一次又一次使用同样的结构；如果想要改变网络的结构，就必须从头开始。但是PyTorch通过一种反向自动求导的技术，可以让用户零延迟地任意改变神经网络的行为，尽管这项技术不是PyTorch所独有，但到目前为止它的实现是最快的，这也是PyTorch对比TensorFlow最大的优势。

PyTorch的设计思路是线性、直观且易于使用的，当用户执行一行代码时，它会忠实地执行，所以当用户的代码出现缺陷（bug）的时候，可以通过这些信息轻松快捷地找到出错的代码，不会让用户在调试（Debug）的时候因为错误的指向或者异步和不透明的引擎浪费太多的时间。

PyTorch的代码相对于TensorFlow而言，更加简洁直观，同时对于TensorFlow高度工业化的很难看懂的底层代码，PyTorch的源代码就要友好得多，更容易看懂。深入API，理解PyTorch底层肯定是一件令人高兴的事。

3、PyTorch概述

由于在后文中还会详细介绍PyTorch的特点，在此处就不详细介绍了。PyTorch最大的优势是建立的神经网络是动态的，可以非常容易地输出每一步的调试结果，相比于其他框架来说，调试起来十分方便。

如图1和图2所示，PyTorch的图是随着代码的运行逐步建立起来的，也就是说，使用者并不需要在一开始就定义好全部的网络结构，而是可以随着编码的进行来一点儿一点儿地调试，相比于TensorFlow和Caffe的静态图而言，这种设计显得更加贴近一般人的编码习惯。

■ 图1 动态图1

■ 图2 动态图2

■ 图2 PyTorch代码示例