PyTorch 最初是由 Hugh Perkins 开发的，它起源于 Torch 框架，作为基于 LuaJIT 的 Torch 的 Python 包装器。后来，Facebook AI 研究团队将其重新设计并用 Python 实现，同时复用了 Torch 的底层 C/CUDA 后端。
这种设计既保留了原有 Torch 的高性能 GPU 加速特性，又使其更适合 Python 生态，最终演变为今天广泛使用的 PyTorch 框架。
1、功能特性
Easy Interface ：PyTorch 提供易于使用的 API；因此它被认为在 Python 上操作和运行非常简单。这个框架中的代码执行非常简单。
使用Python ：这个库是Python的，可以与Python数据科学堆栈顺利集成。因此，它可以利用Python环境提供的所有服务和功能。
计算图(Computational graphs)：PyTorch提供了一个提供动态计算图的优秀平台。因此，用户可以在运行时更改它们。当开发人员不知道创建一个神经网络模型需要多少内存时，这非常有用。
| 特性 | 说明 |
|---|---|
| 动态图（Dynamic Computation Graph） | 运行时构建计算图，调试更方便、灵活性强。 |
| 张量操作（Tensor） | 类似 NumPy，支持 GPU 加速。 |
| 自动求导（Autograd） | 自动计算梯度，用于训练神经网络。 |
| 模块化神经网络构建（nn.Module） | 构建、管理、训练模型非常方便。 |
| 支持 GPU（CUDA） | 轻松将张量/模型迁移到 GPU 训练。 |
PyTorch有以下三个层次的抽象:
1）Tensor(张量)
在GPU上运行的命令式n维数组。
2）Variable(变量)
计算图中的节点。这存储了数据和梯度。
3）Module(模块)
神经网络层将存储状态或可学习的权值。
2、PyTorch的优点
下面是PyTorch的优点：
1）很容易调试和理解代码。
2）它包括许多层，如Torch。
3）它包括很多 loss函数。
4）它可以被认为是NumPy对gpu的扩展。
5）它可以建立网络，其结构依赖于计算本身。
3、TensorFlow 与 PyTorch 区别
TensorFlow和PyTorch之间的主要区别如下：
PyTorch | TensorFlow |
PyTorch与Facebook中 积极使用的基于lua的Torch框架密切相关。 | TensorFlow 由 Google Brain 开发， 并在 Google 积极使用。 |
与其他竞争技术相比，PyTorch 相对较新。 | TensorFlow并不是一个新的工具， 很多研究人员和行业专业人士都认为， 它是一个可以随身携带的工具。 |
PyTorch 以命令式和动态方式包含所有内容。 | TensorFlow 包含静态和动态图的组合。 |
PyTorch 中的计算图是在运行时定义的。 | TensorFlow 不包含任何运行时选项。 |
PyTorch 包括针对移动和嵌入式框架的部署。 | TensorFlow 更适用于嵌入式框架。 |