端到端機器學習框架

PyTorch 通過用戶友好的前端、分布式培訓以及工具和庫生態系統實現快速、靈活的實驗和高效的生產。

生產就緒

借助 TorchScript，PyTorch 在 eager 模式下提供易用性和靈活性，同時無縫過渡到圖形模式以在 C++ 運行時環境中實現速度、優化和功能。

火炬服務

TorchServe 是一種易于使用的工具，用于大規模部署 PyTorch 模型。它與云和環境無關，支持多模型服務、日志記錄、指標和為應用程序集成創建 RESTful 端點等功能。

分布式訓練

通過利用對集體操作的異步執行和可從 Python 和 C++ 訪問的對等通信的本機支持，優化研究和生產中的性能。

移動（實驗）

PyTorch 支持從 Python 到 iOS 和 Android 上的部署的端到端工作流。它擴展了 PyTorch API，以涵蓋將 ML 整合到移動應用程序中所需的常見預處理和集成任務。

強大的生態系統

一個活躍的研究人員和開發人員社區已經建立了一個豐富的工具和庫生態系統，用于擴展 PyTorch 并支持從計算機視覺到強化學習等領域的開發。

本機 ONNX 支持

以標準 ONNX（開放神經網絡交換）格式導出模型，以便直接訪問 ONNX 兼容平臺、運行時、可視化工具等。

C++前端

C++ 前端是 PyTorch 的純 C++ 接口，遵循已建立的 Python 前端的設計和架構。它旨在支持高性能、低延遲和機 C++ 應用程序的研究。

云支持

PyTorch 在主要云平臺上得到很好的支持，通過預構建圖像、GPU 上的大規模訓練、在生產規模環境中運行模型的能力等提供無摩擦開發和輕松擴展。