大多数框架，如 TensorFlow，Theano，Caffe 和 CNTK 都是静态的。使用者必须构建一个神经网络，并重复使用相同的结构。更改网络表现的方式意味着必须从头开始。

　　PyTorch 使用一种被称为反向模式自动微分（Reverse-mode auto-differentiation）的技术，能够让用户以零延迟或开销的方式任意改变网络表现。我们的灵感来源于几个相关话题如 autograd，autograd，Chainer 等的研究论文，包括当前的和过去的论文。

　　虽然这种技术不是 PyTorch 独有的，但它是迄今为止最快的实现之一。在研究中使用 PyTorch，你将得到最快的速度和最好的灵活性。

　　以Python为先

　　PyTorch 不是把 Python 绑到 C++ 框架上去，而是深度集成到 Python 语言中。你可以可以就像你用 numpy / scipy / scikit-learn 之类的一样使用。你可以用 Python 本身写新的神经网络层，可以用你最喜欢的库或者包，例如 Cython 和 Numba。我们的目标是尽量不要重新造轮子。

　　实践经验

　　PyTorch 符合直觉、好理解、易用。当你执行一行代码，它马上运行，不是跟异步的。当你进入 debug 或者收到错误信息进行 stack trace，atv直播，都很容易理解。stack trace point 就是你代码的地方。我们不希望你因为差劲的 stack trace 或者 不同步和模糊的运行，而花上几个小时 debug。

　　又快又稳

　　PyTorch 具有最小的框架开销。 我们集成加速库，如英特尔MKL和NVIDIA（CuDNN，NCCL），以最大化速度。 在核心，它的CPU和GPU Tensor和神经网络后端（TH，THC，THNN，THCUNN）作为独立的库用 C99 API编写。

　　它们是成熟的，已经测试了多年。

　　因此，PyTorch是相当快 - 无论你运行小或大的神经网络。

　　相比 Torch 或其他一些框架，PyTorch的内存使用是非常高效的。 我们为GPU编写了自定义内存分配器，以确保您的深度学习模型具有最大的内存效率。 这使你能够训练比以前更大的深度学习模型。

　　轻松扩展

　　编写新的神经网络模块，或 PyTorch的Tensor API 的使用，其设计非常直接和最小的抽象。

　　你可以使用torch API或你最喜欢的基于numpy的库（如SciPy）在 Python 中编写新的神经网络层。

　　如果你想用C / C ++编写你的图层，我们提供一个基于cffi的扩展API，它是高效的，并且有最小的样板。没有需要编写的包装代码。 你可以在这里看到一个例子：https://github.com/pytorch/extension-ffi

　　目前使用PyTorch的公司：

新智元招聘

　　职位 运营总监

　　职位年薪：36- 50万（工资+奖金）

　　工作地点：北京-海淀区

　　所属部门：运营部

　　汇报对象：COO

　　下属人数：2人

　　年龄要求：25 岁 至 35 岁

　　性别要求：不限

　　工作年限：3 年以上

　　语 言：英语6级（海外留学背景优先）

　　职位描述

负责大型会展赞助商及参展商拓展、挖掘潜在客户等工作，人工智能及机器人产业方向

擅长开拓市场，并与潜在客户建立良好的人际关系

深度了解人工智能及机器人产业及相关市场状况，随时掌握市场动态

主动协调部门之间项目合作，组织好跨部门间的合作，具备良好的影响力

带领团队完成营业额目标，并监控管理项目状况

负责公司平台运营方面的战略计划、合作计划的制定与实施

　　岗位要求

大学本科以上学历，硕士优先，要求有较高英语沟通能力

3年以上商务拓展经验，有团队管理经验，熟悉商务部门整体管理工作

对传统全案公关、传统整合传播整体方案、策略性整体方案有深邃见解

具有敏锐的市场洞察力和精确的客户分析能力、较强的团队统筹管理能力