PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发，广泛应用于自然语言处理、计算机视觉等领域。
- 动态计算图
- 与静态计算图不同，PyTorch 的动态计算图允许在运行时定义、修改和执行计算图。这使得代码的编写和调试更加直观和灵活，开发者可以像编写普通 Python 代码一样构建模型。
- 例如在循环、条件语句等控制流中动态调整计算图，适合实现复杂的模型结构和算法。
- 张量计算
- 张量（Tensor）是 PyTorch 中最基本的数据结构，类似于 NumPy 的多维数组，但可以在 GPU 上加速计算。
- 提供了丰富的张量操作函数，包括数学运算、索引、切片、形状变换等，方便进行数据处理和模型构建。
- 自动求导机制
autograd模块是 PyTorch 实现自动求导的核心，它能够自动跟踪和记录张量上的所有操作，根据链式法则自动计算梯度。- 这大大简化了深度学习模型的训练过程，开发者只需定义前向传播过程，PyTorch 会自动完成反向传播和梯度计算。
- 模块化设计
- PyTorch 的
nn模块提供了丰富的神经网络层和损失函数，如卷积层、全连接层、ReLU 激活函数、交叉熵损失等。
- 可以通过继承
nn.Module类来定义自定义的神经网络模型，将模型的结构和参数封装在一起，便于管理和复用。
- 自然语言处理（NLP）
- 用于构建各种 NLP 模型，如循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）以及 Transformer 架构的模型（如 BERT、GPT 等）。
- 可处理文本分类、情感分析、机器翻译、问答系统等任务。
- 计算机视觉（CV）
- 支持卷积神经网络（CNN）的构建和训练，用于图像分类、目标检测、语义分割、图像生成等任务。
- 许多流行的 CV 模型，如 ResNet、VGG、YOLO 等都可以在 PyTorch 中实现。
- 强化学习
- 为强化学习算法提供了强大的支持，可用于开发智能体与环境进行交互，学习最优策略。
- 常用于游戏开发、机器人控制、自动驾驶等领域。
