import torch
  class MyModule(torch.nn.Module):

    def __init__(self, N, M):
      super(MyModule, self).__init__()
      self.weight = torch.nn.Parameter(torch.rand(N, M))

    def forward(self, input):
      if input.sum() > 0:
        output = self.weight.mv(input)
      else:
        output = self.weight + input
      return output

    # Compile the model code to a static representation
    my_script_module = torch.jit.script(MyModule(3, 4))

    # Save the compiled code and model data so it can be loaded elsewhere
    my_script_module.save("my_script_module.pt")

生产就绪

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

TorchServe

TorchServe 是一款易于使用的工具，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、指标以及创建 RESTful 端点以进行应用程序集成等功能。

  ## Convert the model from PyTorch to TorchServe format
  torch-model-archiver --model-name densenet161 \
  --version 1.0 --model-file serve/examples/image_classifier/densenet_161/model.py \
  --serialized-file densenet161-8d451a50.pth \
  --extra-files serve/examples/image_classifier/index_to_name.json \
  --handler image_classifier

  ## Host your PyTorch model

 torchserve --start --model-store model_store --models densenet161=densenet161.mar

  import torch.distributed as dist
  from torch.nn.parallel import DistributedDataParallel
  
  dist.init_process_group(backend='gloo')
  model = DistributedDataParallel(model)

分布式训练

通过利用对集体操作的异步执行和点对点通信的原生支持，在研究和生产中优化性能，这些支持可从 Python 和 C++ 访问。

移动 (实验)

PyTorch 支持从 Python 到在 iOS 和 Android 上部署的端到端工作流程。它扩展了 PyTorch API 以涵盖在移动应用程序中集成机器学习所需的常见预处理和集成任务。

  ## Save your model
  torch.jit.script(model).save("my_mobile_model.pt")

  ## iOS prebuilt binary
  pod ‘LibTorch’
  ## Android prebuilt binary
  implementation 'org.pytorch:pytorch_android:1.3.0'

  ## Run your model (Android example)
  Tensor input = Tensor.fromBlob(data, new long[]{1, data.length});
  IValue output = module.forward(IValue.tensor(input));
  float[] scores = output.getTensor().getDataAsFloatArray();

  import torchvision.models as models
  resnet18 = models.resnet18(pretrained=True)
  alexnet = models.alexnet(pretrained=True)
  squeezenet = models.squeezenet1_0(pretrained=True)
  vgg16 = models.vgg16(pretrained=True)
  densenet = models.densenet161(pretrained=True)
  inception = models.inception_v3(pretrained=True)

强大的生态系统

活跃的研究人员和开发人员社区构建了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强化学习等领域的开发。

原生 ONNX 支持

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

  import torch.onnx
  import torchvision

  dummy_input = torch.randn(1, 3, 224, 224)
  model = torchvision.models.alexnet(pretrained=True)
  torch.onnx.export(model, dummy_input, "alexnet.onnx")

  #include <torch/torch.h>

  torch::nn::Linear model(num_features, 1);
  torch::optim::SGD optimizer(model->parameters());
  auto data_loader = torch::data::data_loader(dataset);

  for (size_t epoch = 0; epoch < 10; ++epoch) {
    for (auto batch : data_loader) {
      auto prediction = model->forward(batch.data);
      auto loss = loss_function(prediction, batch.target);
      loss.backward();
      optimizer.step();
    }
  }

C++ 前端

C++ 前端是 PyTorch 的纯 C++ 接口，遵循已建立的 Python 前端的設計和架构。它旨在为高性能、低延迟和裸机 C++ 应用程序中的研究提供支持。

云支持

PyTorch 在主要云平台上得到了良好的支持，通过预构建的镜像、GPU 上的大规模训练、在生产规模环境中运行模型等功能，提供了无缝的开发和轻松的扩展。

  export IMAGE_FAMILY="pytorch-latest-cpu"
  export ZONE="us-west1-b"
  export INSTANCE_NAME="my-instance"
  
  gcloud compute instances create $INSTANCE_NAME \
    --zone=$ZONE \
    --image-family=$IMAGE_FAMILY \
    --image-project=deeplearning-platform-release