PyTorch是一个基于Python语言的深度学习框架，它将数据封装成张量(Tensor)来进行处理。

PyTorch提供了灵活且高效的工具，用于构建、训练和部署机器学习和深度学习模型。

张量

PyTorch中的张量就是元素为同一种数据类型的多维矩阵。在PyTorch中，张量以 "类" 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。 PyTorch张量与NumPy数组类似，但PyTorch的张量具有GPU加速的能力（通过CUDA），这使得深度学习模型能够高效地在GPU上运行。 PyTorch提供了对张量的强大支持，可以进行高效的数值计算、矩阵操作、自动求导等。 张量是 PyTorch 中的核心数据抽象，PyTorch 支持各种张量子类型。通常地，一维张量称为向量/矢量（vector），二维张量称为矩阵（matrix）。

在pytorch中进行模型构建的整个流程一般分为四个步骤：

• 准备训练集数据
• 构建要使用的模型
• 设置损失函数和优化器
• 模型训练

PyTorch特点

类似于NumPy的张量计算

PyTorch中的基本数据结构是张量（Tensor），它与NumPy中的数组类似，但PyTorch的张量具有GPU加速的能力（通过CUDA（Compute Unified Device Architecture）是 NVIDIA 推出的一种并行计算平台和编程模型，它允许开发者利用 NVIDIA GPU 的强大计算能力来加速通用计算任务。），这使得深度学习模型能够高效地在GPU上运行。 自动微分系统

PyTorch提供了强大的自动微分功能（autograd模块），能够自动计算模型中每个参数的梯度。 自动微分使得梯度计算过程变得简洁和高效，并且支持复杂的模型和动态计算图。 深度学习库

PyTorch提供了一个名为torch.nn的子模块，用于构建神经网络。它包括了大量的预构建的层（如全连接层、卷积层、循环神经网络层等），损失函数（如交叉熵、均方误差等），以及优化算法（如SGD、Adam等）。 torch.nn.Module是PyTorch中构建神经网络的基础类，用户可以通过继承该类来定义自己的神经网络架构。 动态计算图

PyTorch使用动态计算图机制，允许在运行时构建和修改模型结构，具有更高的灵活性，适合于研究人员进行实验和模型调试。 GPU加速（CUDA支持）

PyTorch提供对GPU的良好支持，能够在NVIDIA的CUDA设备上高效地进行计算。用户只需要将数据和模型转移到GPU上，PyTorch会自动优化计算过程。 通过简单的tensor.to(device)方法，可以轻松地将模型和数据从CPU转移到GPU或从一个GPU转移到另一个GPU。 跨平台支持

PyTorch支持在多种硬件平台（如CPU、GPU、TPU等）上运行，并且支持不同操作系统（如Linux、Windows、macOS）以及分布式计算环境（如多GPU、分布式训练）。

CUDA​ 的全称是 Compute Unified Device Architecture（统一计算设备架构），是 NVIDIA​ 推出的一种 并行计算平台和编程模型。

简单来说，它的核心作用是：让开发者能够用 NVIDIA 的 GPU 来做通用计算，而不仅仅是用来渲染图形。