PyTorch

PyTorch ist eine Python-Bibliothek, die um zwei zentrale Fähigkeiten herum aufgebaut ist: eine NumPy-ähnliche Tensor-Bibliothek mit starker GPU-Beschleunigung sowie ein Deep-Learning-Framework, das auf einem bandbasierten (tape-based) automatischen Differenzierungssystem (Autograd) aufbaut, das Operationen auf Tensoren nachverfolgt, um Gradienten zu berechnen. Das Modul `torch.nn` baut auf Autograd neuronale Netzwerkschichten auf, `torch.jit` (TorchScript) kann PyTorch-Code in serialisierbare, optimierbare Modelle kompilieren, und bestehende Python-Bibliotheken wie NumPy, SciPy und Cython lassen sich zur Erweiterung nutzen.

PyTorch wird typischerweise entweder als GPU-beschleunigter Ersatz für NumPy oder als Forschungsplattform für Deep Learning eingesetzt, und sein Design bevorzugt einen imperativen, Python-first geprägten Stil – man schreibt und debuggt Modelle als gewöhnlichen Python-Code statt über eine separate statische Graphdefinition.

Es eignet sich für Forscher und Ingenieure, die neuronale Netze bauen und trainieren und dabei eine flexible, Python-native Tensor- und Autograd-Bibliothek einem höherstufigeren, stärker vorgegebenen Deep-Learning-Framework vorziehen.