2026年了还有人在纠结选 PyTorch 还是 TensorFlow。这个问题的答案其实比大多数人想象的更清晰如果你要转 AI、搞科研、进大厂做算法岗PyTorch 已经成为事实上的主流选择如果你的目标是纯工程部署、已有旧系统需要维护、或者团队深度绑定 Google Cloud 生态TensorFlow 依然有其价值。这篇文章不绕弯子直接用三小时能完成的极速入门路径把 PyTorch 从环境搭建到模型训练完整跑一遍同时把两个框架的选型逻辑和职业发展影响讲透。文章会覆盖几个关键问题PyTorch 和 TensorFlow 现在到底差在哪2026 年选择框架主要看哪些维度本地装 PyTorch 需要什么硬件CPU 能不能学显存需求怎么判断完整跑通一个图像分类任务需要哪些步骤以及从就业和科研角度看学哪个框架性价比更高。无论你是准备转 AI 的开发者、在校研究生还是想进大厂做算法岗的求职者这篇文章都可以直接收藏当作入门路线图。1. 核心能力速览在展开对比和教程之前先用一张表把 PyTorch 的核心信息整理清楚。后面的实操环节都以这套规格为基础。能力项说明项目类型开源深度学习框架由 Meta 主导维护社区贡献活跃核心功能张量计算、自动求导、神经网络构建、分布式训练、模型导出与部署适合人群算法工程师、科研人员、学生、AI 产品研发团队硬件门槛支持 CPU 训练与推理GPU 训练需 NVIDIA 显卡Windows/Linux 均可使用显存需求与模型参数量、batch size、输入分辨率强相关无固定值需按实际场景测试支持平台Windows、Linux、macOS边缘设备可通过 Jetson 等平台运行启动方式Python 环境内直接导入即可交互式使用是否支持 API支持TorchScript / TorchServe 可用于服务化部署也可用 FastAPI 自行封装是否支持批量任务支持DataLoader 原生支持批量加载、多进程数据预处理、shuffle 等与 TensorFlow 对比学术论文与热门开源项目采用率更高调试更直观生态围绕研究场景更友好主要风险生产部署工具链相对碎片化版本升级较快旧代码需注意兼容性从这张表能看出PyTorch 的核心优势集中在研究和快速迭代场景。2026 年判断框架选型的逻辑不再是“哪个更强大”而是“哪个更适合你的工作流”。2. PyTorch 与 TensorFlow2026 年到底怎么选2.1 先看趋势学术与工业界的天平PyTorch 在 2016 年发布后凭借动态计算图的易用性迅速在学术界流行。过去几年主要学术会议如 CVPR、ICML、NeurIPS的论文中PyTorch 的实现占比已经明显超过 TensorFlow。很多知名开源模型包括各类大语言模型的微调实现默认优先提供 PyTorch 版本。这意味着如果你打算复现论文、跑开源项目PyTorch 的阻碍通常最小。TensorFlow 则依托 Google 生态在传统工业化部署、移动端TFLite、服务端TF Serving方面积累了大量案例。很多早几年上线的生产系统还在用 TensorFlow 维护。从 2026 年的时间点看更稳妥的判断是新项目、新团队、研究型工作优先 PyTorch。存量系统迁移成本高、团队已深度掌握 TensorFlow、或者目标平台对 TFLite 支持更成熟的场景继续用 TensorFlow 也是合理选择。2.2 动态图与静态图的体验差异PyTorch 使用动态计算图代码写到哪里计算图就构建到哪里调试时可以像写普通 Python 一样使用 print、断点。TensorFlow 早期以静态图为主开发者需要先定义完整计算图再通过 Session 执行体验相对繁琐TensorFlow 2.x 虽然默认开启 Eager Execution动态执行但很多历史教程和老代码仍然基于静态图模式初学者按旧资料学习时容易踩坑。对于学习曲线来说PyTorch 更接近“会写 Python 就能上手”的状态这也是它适合极速入门的原因。2.3 生态丰富度开源模型与第三方库当前热门的视觉、语言、多模态模型大部分开源实现都优先发 PyTorch 版本。Hugging Face Transformers 的核心后端也是 PyTorch。做 NLP、大语言模型方向的开发者绕不开 PyTorch。TensorFlow 在 Keras 高层 API 上做得非常友好适合快速搭建标准模型但如果你想跑最新的开源模型或自定义算子PyTorch 的社区资源明显更丰富。从“你要做什么”反推选型比硬背框架功能清单更实用。做科研和追新模型选 PyTorch做老系统维护和纯移动端部署可以继续 TensorFlow。3. 职业发展与应用场景分析选框架影响的不只是技术3.1 转 AI / 进大厂算法岗从招聘 JD 看大厂算法岗、AI 工程师岗位对 PyTorch 的要求出现频率极高。面试中手撕模型、讲论文复现、聊分布式训练默认语境基本都是 PyTorch。如果你目标是转 AI 或进大厂算法岗用 PyTorch 作为主学框架与面试考核内容匹配度更高。同时理解 TensorFlow 的部署工具链仍然有加分作用。大厂很多模型服务系统是异构的面试官更欣赏“能用 PyTorch 做研究也能用 TensorFlow/TF Serving 或 TorchServe 完成部署”的候选人。3.2 搞科研 / 写论文复现科研场景更看重复现速度。PyTorch 的代码直观、社区代码可读性强改模型结构、加实验变量都比静态图时代方便得多。如果你的课题组之前用 TensorFlow继续沿用没有错但如果从零开始当前科研环境优先选择 PyTorch 能减少大量“框架转换”成本。3.3 工程部署与产品化纯工程部署场景TensorFlow 的 Serving 组件成熟度高TFLite 在移动端也有完整工具链。PyTorch 的部署方案在过去几年快速补齐TorchScript、TorchServe、ONNX 导出等方案已经可以支撑生产环境但整体生态不如 TensorFlow 沉淀的时间长。实际项目里很多团队的做法是“研究和训练用 PyTorch部署时导出 ONNX 或转成 TensorRT”避免为了部署而完全切换框架。这也是 2026 年一个很务实的工程路径。3.4 学习成本评估三小时极速入门是可行的只要目标明确。PyTorch 的学习路径可以压缩为张量和自动求导30 分钟。用 nn.Module 搭建模型40 分钟。训练循环、损失函数、优化器60 分钟。DataLoader 数据加载与模型保存加载40 分钟。GPU 训练与显存观察10 分钟。五个步骤完成你已经具备阅读和修改大多数开源 PyTorch 项目代码的基础能力。后面第 6 章和第 7 章会按这个路径完整展开。4. 环境准备与前置条件4.1 操作系统与显卡PyTorch 支持 Windows、Linux、macOS。如果你有 NVIDIA 显卡建议优先配置 GPU 版本训练速度会快很多。没有 NVIDIA 显卡也不用担心CPU 版本可以完成所有入门练习只是训练时间会拉长。显存需求没有固定数值完全取决于模型大小、batch size 和输入尺寸。入门阶段用 CPU 或小 batch size 跑 LeNet、ResNet-18 这类小模型2G 到 4G 显存通常够用但如果你直接跑大语言模型微调显存需求会快速上升。实际占用必须以本机测试为准。4.2 Python 版本与虚拟环境建议使用 Python 3.9 到 3.11 这个区间。PyTorch 新版本对 Python 版本有对应要求安装前到 PyTorch 官网核实当前环境支持矩阵避免装完导入失败。强烈建议使用虚拟环境不要直接装在系统 Python 里。推荐使用 conda 或 venv。虚拟环境可以避免不同项目间的依赖冲突特别是处理“PyTorch 版本不同导致代码不兼容”的场景。4.3 CUDA 与显卡驱动如果你使用 NVIDIA 显卡需要先确认显卡驱动支持哪个 CUDA 版本。PyTorch 的安装命令中会包含 CUDA 版本标识例如 cu118、cu121 等必须与你的驱动兼容。显卡驱动的版本检查方法在命令行执行。nvidia-smi输出结果右上角会显示当前驱动支持的 CUDA 版本号。PyTorch 安装时的 CUDA 版本只需要小于或等于这个版本号即可。需要注意PyTorch 官方安装命令中的 CUDA 版本是指 PyTorch 自带的 CUDA 运行库不一定要求系统全局安装 CUDA Toolkit。大多数情况下只要显卡驱动满足要求直接安装 PyTorch 的 CUDA 版本就能正常使用 GPU。4.4 磁盘空间PyTorch 主包加常用附属库torchvision、torchaudio大约需要 3G 到 5G 空间。如果还要下载预训练模型例如 ResNet、ViT建议再预留 10G 以上。数据集的存储也要提前规划。4.5 端口与进程残留如果你只做本地训练不启动 WebUI 或服务化接口一般不需要关注端口问题。但如果后续使用 Jupyter Notebook、TensorBoard、TorchServe 等服务需要检查端口占用情况。常见的默认端口有 8888Jupyter、6006TensorBoard、8080TorchServe。5. 本地部署与启动方式5.1 创建虚拟环境以 conda 为例先创建一个干净的 Python 环境。conda create -n pytorch-learn python3.11 conda activate pytorch-learn如果使用 venv命令如下。python -m venv pytorch-learn # Windows pytorch-learn\Scripts\activate # Linux / macOS source pytorch-learn/bin/activate5.2 安装 PyTorch推荐直接访问 PyTorch 官网pytorch.org选择你的操作系统和 CUDA 版本复制生成好的安装命令。下面是一个通用示例实际版本号以官网为准。# CPU 版本 pip install torch torchvision torchaudio # GPU 版本示例实际 CUDA 版本号需要根据你的驱动选择 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121从热词和社区反馈看TensorFlow 2.18 的安装话题也在持续升温但两个框架并不冲突。如果你需要对比学习可以在另一个虚拟环境中安装 TensorFlow避免同一环境中两个深度学习框架的依赖互相干扰。5.3 验证安装安装完成后打开 Python 交互环境运行以下代码验证。import torch print(PyTorch 版本:, torch.__version__) print(CUDA 是否可用:, torch.cuda.is_available()) print(GPU 数量:, torch.cuda.device_count()) if torch.cuda.is_available(): print(当前 GPU:, torch.cuda.get_device_name(0))看到 PyTorch 版本正常输出CUDA 可用状态为 True说明 GPU 环境已就绪。如果 CUDA 可用状态为 False说明当前安装的是 CPU 版本或者显卡驱动与安装的 CUDA 版本不匹配。5.4 Jupyter Notebook 与 IDE 选择入门阶段推荐用 Jupyter Notebook 或 VS Code。PyTorch 的调试体验在 Notebook 中很顺手可以逐单元格执行边写边看张量形状和梯度结果。pip install jupyter jupyter notebook如果你倾向于脚本式开发用 VS Code 加 Python 插件即可PyTorch 对 IDE 没有特殊要求。6. PyTorch 核心概念与极速入门实战6.1 张量带 GPU 加速的数组PyTorch 的灵魂是 Tensor张量可以理解为在 GPU 上运行的 NumPy 数组。入门第一件事就是熟悉张量的创建和基本运算。import torch # 创建张量 x torch.tensor([[1.0, 2.0], [3.0, 4.0]]) print(x 的形状:, x.shape) # 随机张量 y torch.randn(3, 4) print(y:, y) # 与 NumPy 互转 import numpy as np arr np.array([1, 2, 3]) tensor_from_np torch.from_numpy(arr) back_to_np tensor_from_np.numpy() # 移动到 GPU if torch.cuda.is_available(): x_gpu x.cuda() print(x_gpu 所在设备:, x_gpu.device)这里的关键点是device概念。CPU 上的张量不能直接和 GPU 上的张量做运算需要先统一设备。很多初学者遇到“张量设备不一致”的报错原因就在这里。6.2 自动求导框架帮你算梯度自动求导是深度学习框架的核心能力。PyTorch 中只要张量设置了requires_gradTrue框架会自动记录运算过程并在反向传播时计算梯度。import torch x torch.tensor([2.0], requires_gradTrue) y x ** 2 3 * x 1 # 反向传播计算 dy/dx y.backward() # 查看梯度dy/dx 2x 3在 x2 处应为 7 print(梯度:, x.grad)理解这段代码你就明白了训练过程中参数更新的底层原理。神经网络训练时损失函数对每个参数求梯度然后用优化器更新参数。PyTorch 把中间过程全部自动完成。6.3 nn.Module搭积木式构建模型PyTorch 中模型继承nn.Module在__init__里定义网络层在forward里定义前向传播逻辑。import torch.nn as nn import torch.nn.functional as F class MLP(nn.Module): def __init__(self, input_dim28 * 28, hidden_dim128, num_classes10): super(MLP, self).__init__() self.fc1 nn.Linear(input_dim, hidden_dim) self.fc2 nn.Linear(hidden_dim, num_classes) def forward(self, x): x x.view(x.size(0), -1) # 展平 x F.relu(self.fc1(x)) x self.fc2(x) return x model MLP() print(model)这个简单的多层感知机包含了 PyTorch 建模的全部要素继承、定义层、实现 forward。后面无论是 ResNet、Transformer 还是 GPT结构再复杂组织方式都遵循这个模式。6.4 损失函数与优化器训练模型需要定义“怎么判断错误程度”和“怎么更新参数”。import torch.optim as optim criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001)nn.CrossEntropyLoss是分类任务最常用的损失函数optim.Adam是当前训练神经网络的主流优化器。初学者先掌握这两个组合就足够跑通大部分入门项目。7. 完整训练示例从数据到模型7.1 加载数据集PyTorch 的torchvision提供了常见公开数据集。以 MNIST 手写数字识别为例这是深度学习领域的 Hello World。import torch from torch.utils.data import DataLoader from torchvision import datasets, transforms # 数据预处理转为张量并归一化 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) # 下载并加载数据集 train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) # DataLoader 负责批量加载支持多进程加速 train_loader DataLoader(train_dataset, batch_size64, shuffleTrue, num_workers2) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse, num_workers2) # 验证一个 batch 的数据形状 images, labels next(iter(train_loader)) print(图像张量形状:, images.shape) # [batch_size, 1, 28, 28] print(标签形状:, labels.shape) # [batch_size]这里重点理解batch_size。每轮迭代取 64 张图片进模型计算batch_size 越大单次训练占用的显存越高但训练速度不一定线性提升。7.2 训练循环训练循环是 PyTorch 项目中最模板化的代码段每个项目都会重复这个模式前向传播、计算损失、梯度清零、反向传播、更新参数。import torch.nn.functional as F def train_one_epoch(model, train_loader, optimizer, criterion, device): model.train() total_loss 0 correct 0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) # 前向传播 outputs model(images) loss criterion(outputs, labels) # 反向传播与参数更新 optimizer.zero_grad() loss.backward() optimizer.step() total_loss loss.item() _, predicted torch.max(outputs, 1) correct (predicted labels).sum().item() avg_loss total_loss / len(train_loader) accuracy correct / len(train_loader.dataset) return avg_loss, accuracy关键点每次反向传播前必须调用optimizer.zero_grad()清空上次梯度否则梯度会累积。model.train()和model.eval()切换模型状态影响 Dropout 和 BatchNorm 的行为。7.3 测试与评估测试时不需要计算梯度用torch.no_grad()关闭自动求导减少内存占用并加快速度。def evaluate(model, test_loader, device): model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() accuracy correct / total return accuracy7.4 主流程与模型保存把上面的模块组合起来就是完整的训练主流程。MNIST 数据集规模小即使 CPU 训练也能在几分钟内跑完。import torch import torch.nn as nn import torch.optim as optim device torch.device(cuda if torch.cuda.is_available() else cpu) print(使用设备:, device) model MLP().to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) EPOCHS 3 for epoch in range(1, EPOCHS 1): train_loss, train_acc train_one_epoch(model, train_loader, optimizer, criterion, device) test_acc evaluate(model, test_loader, device) print(fEpoch {epoch}/{EPOCHS} | 训练损失: {train_loss:.4f} | 训练准确率: {train_acc:.4f} | 测试准确率: {test_acc:.4f}) # 保存模型 torch.save(model.state_dict(), mlp_mnist.pth) print(模型已保存)训练完成后mlp_mnist.pth就是训练好的模型权重文件。这个文件可以后续加载用于推理也可以导出为 ONNX 格式接入其他部署工具链。7.5 推理与模型加载模型保存后新的 Python 进程加载权重文件进行预测。import torch def predict(model, image_tensor, device): model.eval() image_tensor image_tensor.to(device) with torch.no_grad(): outputs model(image_tensor) _, predicted torch.max(outputs, 1) return predicted.item() # 加载模型权重 model MLP().to(device) model.load_state_dict(torch.load(mlp_mnist.pth, map_locationdevice)) # 假设 images[0] 是一张测试图片 sample_image images[0].unsqueeze(0) pred predict(model, sample_image, device) print(预测结果:, pred, 真实标签:, labels[0].item())如果你使用的是 PyTorch 2.6 及以上版本需要留意torch.load的weights_only参数默认值变化。新版 PyTorch 出于安全考虑默认加载策略趋于保守如果加载旧模型时出现相关告警按提示调整weights_only参数即可。8. 资源占用与性能观察方法8.1 显存占用如何观察训练时显存占用主要来自三部分模型参数、中间激活值、优化器状态。batch_size 增大、输入分辨率提高、模型变深都会让显存占用快速上升。NVIDIA 显卡用户可以在训练进程运行时另开一个终端执行watch -n 1 nvidia-smi每秒钟刷新一次显存和 GPU 利用率。重点观察的是Memory-Usage和GPU-Util两列。更精确的做法是使用 PyTorch 自带的显存统计接口# 在训练循环中打印显存占用 print(已分配显存: %.2f GB % (torch.cuda.memory_allocated() / 1024**3)) print(缓存显存: %.2f GB % (torch.cuda.memory_reserved() / 1024**3))8.2 CPU 与 GPU 训练的差异CPU 训练完全可行尤其对 MNIST 这类小数据集时间差距没有想象中大。GPU 的优势在矩阵运算并行度高的场景例如卷积神经网络、Transformer、大 batch size。如果你的电脑没有 NVIDIA 显卡建议不要为了入门训练先买显卡。用 CPU 把 PyTorch 的 API 用法和训练流程搞清楚后面再迁移到 GPU 环境代码完全不用改只需要把device设置为cuda。8.3 如何降低显存占用显存不足Out of Memory是训练中最高频的问题之一。常用手段包括调小 batch_size这是最直接的方法。降低输入图片分辨率。使用混合精度训练当前 PyTorch 原生支持相关功能。减少同时加载到 GPU 的数据量。使用梯度累积用小 batch 模拟大 batch 的效果。一个通用参考方向是如果出现 OOM先把 batch_size 减半再试一次。反复减到能跑通为止这也是工程上最常用的调试手段。8.4 数据加载速度与训练瓶颈训练慢不一定是 GPU 不行。如果 GPU 利用率长时间很低瓶颈可能出在数据加载上。DataLoader 的num_workers参数可以增加数据预取进程数Windows 下建议设置为 0 或 2Linux 下可以设置更高。9. 常见问题与排查方法问题现象可能原因排查方式解决方案安装 PyTorch 后 import torch 报错虚拟环境与 Python 版本不匹配或安装包不完整查看错误堆栈确认当前环境的 Python 版本创建新虚拟环境使用官网命令重新安装torch.cuda.is_available() 返回 False安装的是 CPU 版本或显卡驱动版本过旧打印 torch.version查看是否带 cu 后缀运行 nvidia-smi 检查驱动根据驱动支持的 CUDA 版本重新安装 GPU 版本训练时报 CUDA out of memorybatch_size 或输入分辨率过大显存不足查看报错信息中的显存提示调小 batch_size降低分辨率或启用梯度累积加载旧模型时出现 weights_only 相关警告或报错PyTorch 新版本调整了加载策略检查 PyTorch 版本阅读告警提示按提示调整 torch.load 的参数避免加载不可信来源的模型文件GPU 利用率低训练速度上不去数据加载过慢或模型太小观察 nvidia-smi 中的 GPU-Util测试 DataLoader 速度增大 num_workers启用预取优化数据预处理管道多个 Python 项目依赖冲突缺少虚拟环境隔离查看 pip list 中的包版本始终使用 conda/venv 创建独立环境训练 loss 不下降学习率设置不当、模型结构问题、数据未归一化打印每个 epoch 的 loss检查输入数据范围尝试更小学习率检查数据预处理流程端口被占用导致服务无法启动Jupyter/TensorBoard 等端口冲突查看报错中的端口号更换端口例如 jupyter notebook --port 8899排查的第一原则是看完整报错信息不要只看最后一行。PyTorch 的报错通常会指引到具体文件和具体操作配合搜索引擎和官方文档大多数问题都能在十分钟内解决。10. 最佳实践与工程建议10.1 学习阶段的最小化原则入门时不要一开始就追大模型、大显存、多卡训练。先用 MNIST、CIFAR-10 这类标准数据集把模型定义、训练循环、评估测试、模型保存加载四条主链路跑通。这套流程在所有 PyTorch 项目中都是通用的小项目跑通后迁移到大模型只是换网络结构、数据集和硬件配置。10.2 虚拟环境与依赖锁定无论做学习还是做项目都要用虚拟环境隔离依赖。项目进入交付阶段后用 pip freeze 导出依赖列表方便环境重建。pip freeze requirements.txt10.3 目录结构建议一个标准的 PyTorch 训练项目建议按以下结构组织project/ ├── data/ # 数据集 ├── models/ # 模型定义 ├── checkpoints/ # 训练好的权重文件 ├── logs/ # 训练日志 ├── scripts/ # 训练、评估、推理脚本 └── requirements.txt模型文件、数据集、输出结果分目录管理避免后期整理时找不到文件。10.4 训练日志与实验记录训练过程中建议记录每次实验的参数组合、数据集版本、batch size、学习率、最终准确率。开源工具如 TensorBoard 可以与 PyTorch 集成可视化 loss 曲线和准确率曲线。即使不用工具一个简单的 CSV 记录也比不记录强。import csv # 简单示例把每个 epoch 的结果写入 CSV with open(logs/train_log.csv, a, newline) as f: writer csv.writer(f) writer.writerow([epoch, train_loss, test_acc])10.5 模型安全与合规使用使用公开数据集和预训练模型时注意检查数据集许可协议和模型权重许可证。商用场景下数据版权、人脸信息、文本版权都可能涉及合规问题。不要将未经授权的个人数据、版权图片和受保护文本用于训练或生成内容。实验环境验证过的模型发布或商用前要做效果复核。10.6 从入门到项目实战的推进路线跑通 MNIST 后可以按这个顺序进阶用 PyTorch 官方的 CIFAR-10 示例训练一个卷积神经网络。在 Hugging Face 上微调一个开源语言模型完成文本分类任务。尝试用 PyTorch 实现 Transformer 的核心模块加深对注意力机制的理解。将训练好的模型导出为 ONNX接入推理服务跑通部署链路。这套路线覆盖了“研究、训练、部署”的完整链路也是从入门走向工程项目最快的方式。11. 总结与下一步PyTorch 和 TensorFlow 的争论在 2026 年已经不需要再反复拉扯如果你从零开始目标是转 AI、进大厂算法岗、搞科研复现优先学 PyTorch如果你维护存量 TensorFlow 系统或者深度绑定 Google 部署生态继续深挖 TensorFlow 也完全没问题。两者并存是行业常态不是谁取代谁的问题。这篇内容里最先应该动手验证的是环境安装和 MNIST 训练脚本。把 PyTorch 装好跑通第 7 章的训练循环你就已经跨过了入门阶段最大的坎。最容易踩的坑集中在 CUDA 版本不匹配、虚拟环境混乱、batch size 设置过大导致显存溢出这三类问题遇到时直接对照第 9 章的排查表处理。三小时的极速入门只能解决“会用”的问题后续的进阶方向很明确把 PyTorch 官方教程60 分钟入门 Blitz完整过一遍再选一个你感兴趣的方向做一个小项目比如图像分类、文本分类或者简单目标检测。框架只是工具真正有价值的是你对模型原理、数据处理和训练调试的理解深度。工具会更新这些底层能力不会过时。建议收藏备用。下次需要快速搭一个 PyTorch 训练环境或者跟别人解释为什么选 PyTorch 不选 TensorFlow 时直接翻这篇就够了。