PyTorch 是什么：定位、历史与生态

一句话回答

PyTorch 是一个开源的深度学习框架。它是基于 Python 的科学计算包，底层由 C++ 实现。官方给它定了两个用途：一是替代 NumPy，利用 GPU 加速计算；二是做深度学习研究平台，自带自动微分（autograd）能力。

翻译成人话：你想快速做矩阵运算，PyTorch 能算得飞快；你想训练神经网络，PyTorch 把最麻烦的求梯度环节包办了。

深度学习（Deep Learning）是机器学习的一个分支，靠多层神经网络从数据里学规律。PyTorch 就是干这个活的主力工具之一。现在主流的大语言模型、图像识别、语音助手，底层几乎都有它的身影。

它在深度学习工作流里的位置

一次典型的深度学习项目，流程大致是这样：

1. 准备数据，把图片、文本整理成张量。
2. 搭建神经网络，定义它怎么算。
3. 反复训练，让模型从数据里学规律。
4. 评估效果，保存模型，部署上线。

PyTorch 在每个环节都提供了对应工具：张量（Tensor）管数据，torch.nn 管模型，autograd 管梯度，torch.optim 管优化，torch.export 管导出。一套工具走完全程，这也是它流行的原因。

它和 NumPy 是什么关系

用过 NumPy 的人上手 PyTorch 会非常快。两者的核心数据结构长得很像，PyTorch 的张量（Tensor）就是多维数组，操作方式和 NumPy 几乎一致。

差别在三点：

1. PyTorch 张量能在 GPU 上计算，NumPy 只能在 CPU 上跑。
2. PyTorch 自带自动微分，能自动算梯度，NumPy 得手动求导。
3. PyTorch 提供了一整套神经网络组件，比如 torch.nn、torch.optim。

所以你可以把 PyTorch 理解成「会算梯度、能上 GPU 的 NumPy」，再外加一整套深度学习工具箱。

和 TensorFlow 的恩怨

说起深度学习框架，绕不开 TensorFlow。TensorFlow 由 Google 开发，PyTorch 由 Facebook（现 Meta）的人工智能研究团队开发。

早期两者的核心区别在计算图。TensorFlow 1.x 是静态计算图：先把网络结构定义好，再一次性执行，中途改结构得从头来。PyTorch 是动态计算图（Dynamic Computation Graph）：边执行边建图，代码跑到哪算到哪，想改就改。

这个差别对研究特别友好。你可以像写普通 Python 一样写神经网络，随时 print 中间结果，断点调试毫无障碍。PyTorch 因此在学术界迅速流行，论文里的代码越来越多是 PyTorch 写的。

历史：从 Torch 到 PyTorch

PyTorch 的前身叫 Torch，是个基于 Lua 语言的科学计算框架。Lua 在小众圈子里流行度不高，社区发展受限。2016 年，Facebook 团队把 Torch 的核心思想搬到 Python，发布 PyTorch 0.1。

此后几个关键节点：

• 2017 年 0.2 版本引入分布式训练支持。
• 2018 年 1.0 发布，补齐生产部署能力。
• 2020 年 1.6 版本加入自动混合精度训练。
• 2022 年 1.13 发布，为 2.0 铺路。
• 2023 年 2.0 发布，带来 torch.compile 编译加速。
• 2026 年 7 月发布 2.13.0，也就是本教程的基线版本。

2.x 时代的演进主线很清晰：从「研究优先」走向「统一的生产级训练与推理平台」。torch.compile 让训练更快，torch.export 让模型导出更稳，torch.accelerator 让代码和设备解耦。

生态全景

PyTorch 不是单打独斗，周围有一圈官方和社区的配套库：

• torchvision：计算机视觉的数据集、模型和图像变换，做图像任务基本必装。
• torchaudio：音频处理工具，波形加载、特征提取一条龙。
• torchtext：NLP 数据工具（已停止积极维护，新项目慎用）。
• Hugging Face Transformers：几乎涵盖所有主流预训练模型，大模型时代的事实标准。
• PyTorch Lightning：把训练样板代码打包的高层库，写实验更快。
• ExecuTorch：面向移动端和边缘设备的推理运行时。

这些库和 PyTorch 主版本配套发布。装一个主包，旁边跟着装几个领域库，是常态用法。

谁在用 PyTorch

工业界的应用相当广泛。特斯拉的自动驾驶、Uber 的概率编程库 Pyro，都构建在 PyTorch 之上。Meta 自家的 Llama 系列模型，训练和推理也离不开 PyTorch 生态。

学术界更是几乎默认选择。顶会论文的代码实现，用 PyTorch 写的是绝对多数。这意味着你遇到问题，几乎总能找到现成的代码参考。对学习者来说，这是很大的红利。

为什么选它

我的看法很简单：对零基础学习者，PyTorch 是最合适的第一框架。语法贴近 Python，学起来不别扭；调试直观，报错能看懂；资料最丰富，卡住了一搜就有答案。这三点对新手比什么都实在。

本教程后面所有章节，都基于 PyTorch 2.13.0 讲解。下一章，我们把环境装好，让 PyTorch 真正跑起来。