Eager 與 graph 執行
PyTorch 支援在 eager execution 與 graph modes 之間切換,並透過 TorchScript 協助團隊將模型從實驗推進到以生產為導向的工作流程。
PyTorch 是由 PyTorch Foundation 維護的開源深度學習框架,並被定位為 PyTorch 框架與生態系的社群入口。它用於建構、訓練與部署機器學習模型,並提供適合初學者與進階開發者的文件與教學。
網站著重兩種主要工作流程:本機安裝與以雲端為基礎的快速開始。本機安裝頁面可讓使用者在產生安裝指令前選擇作業系統、套件類型、語言與運算平台,而文件則強調 TorchScript、TorchServe 與分散式訓練等以生產為導向的功能。
PyTorch 支援在 eager execution 與 graph modes 之間切換,並透過 TorchScript 協助團隊將模型從實驗推進到以生產為導向的工作流程。
torch.distributed 後端支援可擴充的分散式訓練與效能最佳化,適用於研究與生產工作負載。
首頁將 TorchServe 強調為生產環境模型服務的部署路徑。
此專案以更廣泛的工具與程式庫生態系為核心,包含 Captum、PyTorch Geometric 與 skorch 等精選專案。
安裝流程會讓使用者在產生指令前選擇作業系統、套件、語言與運算平台,讓設定更符合目標環境。
網站指出 AWS、Google Cloud Platform、Microsoft Azure 與 lightning.ai 等雲端合作夥伴,可用於支援雲端環境的快速開始。
透過選擇作業系統、套件、語言與運算平台,然後執行產生的安裝指令,在 Linux、macOS 或 Windows 上本機設定 PyTorch。
透過匯入 `torch` 並執行簡單的 tensor 範例來驗證新安裝,這也是安裝頁面用來確認環境是否正常運作的方法。
使用文件中描述的 `torch.distributed` 後端,建立與訓練需要可擴充分散式訓練或效能最佳化的模型。
遵循首頁與文件中強調的可供生產使用路徑,透過 TorchScript 與 TorchServe 將模型推進到生產環境。
在從零開始或擴展到新工作流程時,透過官方教學、recipes、文件與雲端快速開始來學習此框架。
PyTorch 是一個開源框架,因此在所檢視的頁面中,網站並未提供付費定價方案。蒐集到的證據中的 pricing 網址會回傳 404 找不到頁面。
Get Started 頁面支援使用 pip 安裝,並提供 Stable 與 Preview 的可選版本,涵蓋 Linux、macOS 與 Windows。頁面也註明 LibTorch 僅適用於 C++。
本機安裝流程在建置選擇器中支援 Python、C++ 和 Java,並提供 CPU、CUDA 11.8、CUDA 12.6、CUDA 12.8 與 ROCm 6.3 等運算選項。文件也展示了範例驗證步驟,會匯入 torch 並建立隨機 tensor。
網站會引導使用者前往教學、文件與學習和開發資源。tutorials 頁面分為初學者與進階內容,而 docs 頁面則提供完整的開發者文件。
首頁與文件強調生產環境使用、分散式訓練,以及更廣泛的工具與程式庫生態系。文件也顯示使用者可以透過 TorchScript 從 eager execution 轉換到 graph modes,並使用 TorchServe 加速部署。