为什么需要 PyTorch

本篇是教程的开篇。我们不急着写代码，先回答一个更重要的问题：市面上框架这么多，为什么偏偏学 PyTorch？它到底解决什么问题，又不解决什么问题？

一个真实的痛点场景

假设你是一名后端工程师，老板某天把你叫进办公室：

"我们用爬虫收集了 50 万条用户评论，你做个功能，把差评自动挑出来。规则我不管，明天要 demo。"

你的第一反应可能是写正则表达式。两天后你发现："这个商家一般般，不推荐" 这句话里全是负面词，但整体其实是中性偏负；"这手机烂得像板砖，太能摔了" 居然是好评。规则写不完。

这时你想起深度学习：把评论喂给一个网络，让它自己从数据里学规律。但你立刻遇到三个现实问题：

1. 矩阵运算太慢。一个最简单的两层网络，一次前向传播就是几百万次乘加，用 NumPy 在 CPU 上跑，训练一轮要几分钟。你需要 GPU 加速，但没人想手写 CUDA 核函数。
2. 梯度推导太痛苦。反向传播（Backpropagation）要求每个参数的梯度。手推两层网络的公式还行，换成十几层、带 Dropout 和残差连接的网络，推导量指数级增长，还极易算错。
3. 实验迭代太频繁。今天想换激活函数，明天想加一层，每个想法都要重走一遍"改公式 → 改代码 → 调试"的流程。

PyTorch 就是把这三件事全部包办的工具：它帮你把矩阵运算自动搬到 GPU 上、自动算梯度、并且让"改网络结构"只意味着改几行 Python 代码。

PyTorch 解决什么、不解决什么

先说清楚边界，避免学了之后发现"不对啊，这跟我预期不一样"。

✅ 它解决的

问题	PyTorch 的答案
GPU 并行计算	张量（Tensor）一行代码 .to("cuda") 即可搬到 GPU
梯度自动计算	自动求导引擎（Autograd）记录运算图，.backward() 一键求梯度
网络搭建	nn.Module 像拼积木一样组合层
数据喂送	Dataset / DataLoader 处理批量、打乱、多进程加载
科研级灵活性	动态计算图，训练循环就是普通 Python for 循环，随便加 if/else
工业部署	TorchScript / torch.export / ONNX 导出，服务端推理（TorchServe、torch.compile）

❌ 它不解决的

• 它不是"开箱即用的 AI 服务"。PyTorch 不会直接给你一个能用的翻译模型——它给你的是"造模型的原材料"。想要成品，要用 Hugging Face Transformers 这类构建在 PyTorch 之上的库。
• 它不管数据质量。Garbage in, garbage out，数据清洗仍然是你的工作。
• 它不是机器学习的全部。传统的随机森林、XGBoost 等场景，用 sklearn 更合适，不需要动用深度学习。
• 它不替你理解原理。框架把数学变成了 API，但为什么学习率要调、为什么会过拟合，仍然是需要自己理解的知识。

与同类框架的对比

深度学习框架不少，最常见的对比对象是 TensorFlow 和 scikit-learn（虽然定位不同，很多新手三者一起纠结）。

维度	PyTorch	TensorFlow 2.x	scikit-learn
定位	研究 + 工业通用的深度学习框架	偏工业部署的深度学习框架	传统机器学习库
计算图	动态图（Python 怎么写就怎么跑）	图层 API 动态 + tf.function 静态编译	无（不是深度学习框架）
调试体验	✅ 直接用 print / pdb，像调普通 Python	早期版本调试困难，2.x 已改善	普通 Python 体验
GPU 支持	✅ 一等公民	✅ 一等公民	⚠️ 有限
学习曲线	平缓，概念少	概念较多（Graph/Session/keras 历史包袱）	非常平缓
生态（论文/开源模型）	✅ 主流论文首选，新品几乎默认 PyTorch 实现	较多存量工业项目	传统 ML 事实标准
移动端/嵌入式	ExecuTorch / ONNX 导出	TFLite 成熟	不适用
招聘市场	算法岗事实标准	存量工业岗	数据岗常见

一句话选型建议：

• 想做深度学习（图像、NLP、大模型相关），或者想读懂开源 AI 项目源码 → PyTorch，没有悬念，2023 年之后大模型时代新发布的开源项目（LLaMA、Stable Diffusion、各类 RLHF 框架）几乎清一色 PyTorch 实现。
• 维护老的 TensorFlow 工业项目 → 继续 TF，不值得为框架切换重写。
• 结构化数据（表格预测）→ 先用 scikit-learn / XGBoost，深度学习往往不是最优解。

本教程的学习路线

本教程基于 PyTorch 2.x（写作时为 2.5+，命令在 2.1~2.x 均可用），假设你会基础 Python（函数、类、pip），不要求任何数学和机器学习背景。

后续章节安排：

1. 核心概念与心智模型 —— 用类比建立正确的直觉
2. 环境搭建 —— 从零装好可训练的环境
3. 实战项目 —— 手写数字识别，从零到一，中途还会带你故意踩两个新手必踩的坑
4. 进阶与最佳实践 —— 从"能跑"到"跑得快、跑得稳"
5. 排错与 FAQ —— 遇到报错先来这里查

提示：不要因为"概念篇看起来简单"就跳过。很多新手实战时一头雾水，根源恰恰是张量形状和计算图的心智模型没建立起来。

小结

• PyTorch 解决三件事：GPU 加速、自动求梯度、灵活搭网络。
• 它是"造模型的原材料"，不是"开箱即用的 AI"。
• 深度学习 / 大模型方向，PyTorch 是当前事实标准，学了不亏。

下一步：先去建立心智模型，或者直接跳到环境搭建动手装环境也可以——装完再回头补概念，两条路线都行。