端到端机器学习框架

PyTorch 通过用户友好的前端、分布式培训以及工具和库生态系统实现快速、灵活的实验和高效的生产。

生产就绪

借助 TorchScript，PyTorch 在 eager 模式下提供易用性和灵活性，同时无缝过渡到图形模式以在 C++ 运行时环境中实现速度、优化和功能。

火炬服务

TorchServe 是一种易于使用的工具，用于大规模部署 PyTorch 模型。它与云和环境无关，支持多模型服务、日志记录、指标和为应用程序集成创建 RESTful 端点等功能。

分布式训练

通过利用对集体操作的异步执行和可从 Python 和 C++ 访问的对等通信的本机支持，优化研究和生产中的性能。

移动（实验）

PyTorch 支持从 Python 到 iOS 和 Android 上的部署的端到端工作流。它扩展了 PyTorch API，以涵盖将 ML 整合到移动应用程序中所需的常见预处理和集成任务。

大的生态系统

一个活跃的研究人员和开发人员社区已经建立了一个丰富的工具和库生态系统，用于扩展 PyTorch 并支持从计算机视觉到化学习等域的开发。

本机 ONNX 支持

以标准 ONNX（开放神经网络交换）格式导出模型，以便直接访问 ONNX 兼容台、运行时、可视化工具等。

C++前端

C++ 前端是 PyTorch 的纯 C++ 接口，遵循已建立的 Python 前端的设计和架构。它旨在支持高性能、低延迟和机 C++ 应用程序的研究。

云支持

PyTorch 在主要云台上得到很好的支持，通过预构建图像、GPU 上的大规模训练、在生产规模环境中运行模型的能力等提供无摩擦开发和轻松扩展。