下载掌阅APP，畅读海量书库
立即打开
Torch是纽约大学的一个机器学习开源框架，几年前在学术界非常流行。但是，由于其初始只支持小众的Lua语言，因此没有普及。后来随着Python的生态越来越完善，Facebook人工智能研究院推出了PyTorch并开源。
PyTorch不是简单地封装Torch并提供PyTorch接口，而是对Tensor以上的所有代码进行重构，同TensorFlow一样，增加了自动求导功能。PyTorch入门简单，上手快，堪比Keras；代码清晰，设计直观，符合人类直觉。其定位就是快速实验研究，所以可以直接用Python写新的网络层。后来Caffe2全部并入PyTorch，如今PyTorch已经成为非常流行的框架。很多新的研究如风格化、GAN等大多采用PyTorch源码。
PyTorch的特点如下。
第一，动态图计算。TensorFlow采用静态图，先定义好图，然后在会话中运算。图一旦定义好后，是不能随意修改的。现在TensorFlow虽引入了动态图机制Eager Execution，但不如PyTorch直观。TensorFlow要查看变量结果，必须在会话中，会话的角色仿佛是C语言的执行，而之前的图定义是编译。相比之下，PyTorch就好像脚本语言，可以随时随地修改和调试，没有类似编译的过程，这比TensorFlow要灵活很多。
第二，简单。TensorFlow的学习成本不低，对于新手来说，Tensor、Variable、Session等概念充斥，数据读取接口更新频繁，tf.nn、tf.layers、tf.contrib各自重复；PyTorch则从Tensor到Variable再到nn.Module，分别就是从数据张量到网络的抽象层次的递进。
上述几大框架都有基本的数据结构，Caffe是Blob，TensorFlow和PyTorch是Tensor，都是高维数组。PyTorch中的Tensor使用与Numpy中的数组非常相似，两者可以互转且共享内存。PyTorch也为张量和Autograd库提供CUDA接口。使用CUDA GPU，不仅可以加速神经网络训练和推断，还可以加速任何映射至PyTorch张量的工作负载。通过调用torch.cuda.is_available()函数，可检查PyTorch中是否有可用CUDA。