在2017年1月18日，facebook下的Torch7团队宣布PyTorch开源后就引来了剧烈的反响。PyTorch 是 Torch 在 Python 上的衍生版本。Torch 是一个使用 Lua 语言的神经网络库, Torch 很好用, 但是 Lua 流行度不够, 所以facebook开发团队将 Lua 的 Torch 移植到了更流行的语言 Python 上，推出了PyTorch 。
PyTorch是一个Python优先的深度学习框架，是一个和tensorflow，Caffe，MXnet一样，非常底层的框架。先说下PyTorch相比于Tensorflow的三大优势：
1.1 Python优先支持
PyTorch主推的特性之一，就是支持Python（官方的提法：puts Python first）。因为直接构建自 Python C API，PyTorch从细粒度上直接支持python的访问。相比于原生Python实现，引入的新概念很少，这不仅降低了 Python 用户理解的门槛，也能保证代码基本跟原生的 Python 实现一致。事实上，开发者可以直接用原生 Python 代码扩展 PyTorch 的 operation。
而Tensorflow总有一种用 Python 调用 C++ 写的第三方动态链接库的感觉；写模型需要更多代码，无法贯彻 Python的简约风格；而且写新的 operation 必须用 C++ 开发。
1.2 动态图的良好支持
Tensorflow运行必须提前建好静态计算图，然后通过feed和run重复执行建好的图。但是Pytorch却不需要这么麻烦：PyTorch的程序可以在执行时动态构建/调整计算图。相对来说，pytorch具有更好的灵活性。这得益于PyTorch直接基于 Python C API 构建的 Python 接口。
TensorFlow饱受诟病的痛点就是只支持静态图模型。也就是说，在处理数据前必须预先定义好一个完整的模型。如果数据非常规整，那还好。但实际工程和研究项目中的数据，难免有一些边角的情况。很多项目，其实需要大量实验才能选择正确的图模型。这就很痛苦了。因此，很多项目转而采用了PyTorch等支持动态图模型的框架，以便在运行程序的时候动态修正模型。
不过在2017年10月31日万圣节这天，Google发布了TensorFlow Eager Execution（贪婪执行），为TensorFlow添加了命令式编程的接口。启用贪婪执行后，TensorFlow操作会立刻执行，不用通过Session.run()执行一个预先定义的图。2017年11月，TensorFlow1.5版本中正式加入了动态图机制Eager Execution的支持！
1.3 易于Debug
Pytorch在运行时可以生成动态图，开发者就可以在堆栈跟踪中看到哪一行代码导致了错误。你甚至可以在调试器中停掉解释器并看看某个层会产生什么。
1.4 pytorch官网
https://pytorch.org/get-started/previous-versions/
2.linux、windows环境下安装2.1 pytorch v1.1.0在不同cuda版本下安装
Conda命令安装：Linux and Windows
如果已经装了Ananconda|Python，选择对应的pytorch与 torchvision版本，然后直接执行下面：
# CUDA 9.0conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=9.0 -c pytorch# CUDA 10.0conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch# CPU Onlyconda install pytorch-cpu==1.1.0 torchvision-cpu==0.3.0 cpuonly -c pytorchpip命令安装：Linux and Windows
pip install torch==1.1.0 torchvision==0.3.02.2 pytorch v1.2.0在不同cuda版本下安装
conda安装：Linux and Windows
# CUDA 9.2conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=9.2 -c pytorch# CUDA 10.0conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch# CPU Onlyconda install pytorch==1.2.0 torchvision==0.4.0 cpuonly -c pytorchpip安装：Linux and Windows
# CUDA 10.0pip install torch==1.2.0 torchvision==0.4.0 -f https://download.pytorch.org/whl/torch_stable.html# CUDA 9.2pip install torch==1.2.0+cu92 torchvision==0.4.0+cu92 -f https://download.pytorch.org/whl/torch_stable.html# CPU onlypip install torch==1.2.0+cpu torchvision==0.4.0+cpu -f https://download.pytorch.org/whl/torch_stable.html 3.下载的时候可能会遇到无尽的等待：添加清华源3.1 当使用conda安装的时候，可能会遇到下载过慢的问题
这里推荐用清华源替代默认conda源的方法，可以解决下载过慢的问题。
清华conda源地址：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
3.2 添加清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/conda config --set show_channel_urls yes3.3 命令安装
根据Python和CUDA选择对应的版本，然后官方给出提示可通过运行：
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit==9.0 -c pytorch但是这里一定要注意，去掉-c pytorch，安装的时候才会默认从清华源下载相应的包，因此这里用命令行:
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit==9.0 -c pytorch参考致谢：
https://blog.csdn.net/xiangxianghehe/article/details/86300773
https://blog.csdn.net/watermelon1123/article/details/88122020