Eager 与图执行
PyTorch 支持通过 TorchScript 在 eager 执行和图模式之间切换，这有助于团队将模型从实验阶段推进到面向生产的工作流。
概述
PyTorch 是一个由 PyTorch Foundation 维护的开源深度学习框架，并被定位为 PyTorch 框架及其生态系统的社区之家。它用于构建、训练和部署机器学习模型，文档和教程面向初学者和高级开发者。
该站点强调两种主要工作流：本地安装和基于云的快速入门。本地安装页面允许用户在生成安装命令之前选择操作系统、包类型、语言和计算平台，而文档则突出展示 TorchScript、TorchServe 和分布式训练等面向生产的功能。
主要特性
分布式训练
torch.distributed 后端支持可扩展的分布式训练以及面向研究和生产工作负载的性能优化。
使用 TorchServe 进行模型服务
TorchServe 在首页中被突出展示为面向生产环境的模型服务部署路径。
相关工具生态
项目围绕更广泛的工具和库生态进行定位，包括 Captum、PyTorch Geometric 和 skorch 等特色项目。
引导式安装选择器
安装流程允许用户先选择操作系统、包、语言和计算平台，然后生成命令，使设置更贴合目标环境。
云端与合作伙伴支持
网站指向 AWS、Google Cloud Platform、Microsoft Azure 和 lightning.ai 等云合作伙伴，以便在受支持的云环境中快速入门。
常见用例
本地框架安装
通过选择操作系统、包、语言和计算平台，然后运行生成的安装命令，在 Linux、macOS 或 Windows 上本地安装 PyTorch。
安装验证
通过导入 `torch` 并运行一个简单的张量示例来验证新安装，安装页面使用该步骤确认环境是否正常工作。
分布式训练工作流
构建和训练需要可扩展分布式训练或性能优化的模型，使用文档中描述的 `torch.distributed` 后端。
生产部署
借助 TorchScript 和 TorchServe，将模型推进到生产环境，并遵循主页和文档中强调的生产就绪路径。
训练与上手
从零开始学习或扩展到新工作流时，可通过官方教程、配方、文档和云端快速入门来了解该框架。
Pros and Cons
Pros
- 开源框架，拥有广泛的文档和教程覆盖。
- 支持多种操作系统和计算目标，包括 CPU、CUDA 和 ROCm 选项。
- 同时提供本地安装和云合作伙伴的起始路径。
- 突出展示 TorchScript、TorchServe 和分布式训练等生产工作流。
- 呈现更广泛的相关库和项目生态。
Cons
- 在所审阅内容中，`/pricing` 下的定价页面返回 404，因此网站未提供可见的定价或套餐结构。
- 安装说明详细且依赖具体环境，这可能要求用户在操作系统、包、语言和计算选项之间仔细选择。
- 部分功能分散在不同页面中说明，因此要全面理解整个工作流，可能需要在首页、安装页、文档页和教程页之间切换。
FAQ
PyTorch 有公开的定价吗？
PyTorch 是一个开源框架，因此在所审阅的页面中，网站未展示付费定价方案。所收集证据中的定价网址返回 404 页面未找到。
如何安装 PyTorch？
Get Started 页面支持使用 pip 安装，并在 Linux、macOS 和 Windows 上展示 Stable 和 Preview 的可选构建。页面还注明 LibTorch 仅适用于 C++。
安装流程支持哪些平台和运行时？
本地安装流程在构建选择器中支持 Python、C++ 和 Java，计算选项包括 CPU、CUDA 11.8、CUDA 12.6、CUDA 12.8 和 ROCm 6.3。文档还展示了一个验证步骤：导入 torch 并创建随机张量。
新用户可以在哪里学习 PyTorch？
网站引导新用户查看教程、文档和学习资源。教程页面分为初学者和高级内容，而文档页面提供全面的开发者文档。
PyTorch 在实际中用于什么？
主页和文档强调生产环境使用、分布式训练以及更广泛的工具和库生态。文档还显示，用户可以借助 TorchScript 从 eager 执行切换到图模式，并通过 TorchServe 加速部署。
Quick Facts
- 类别
- 开发者工具
- 产品
- PyTorch
- 源域名
- pytorch.org
- 主要用户
- 机器学习开发者和研究人员
- 主要工作流
- 本地安装或在受支持的云平台上快速开始
- 定价
- 开源；在所审阅内容中未找到公开定价页面