PyTorch

Los tensores son la estructura de datos central de PyTorch. Piensa en arrays de NumPy, pero capaces de ejecutarse en GPU. Con una sola llamada a método mueves un tensor a un dispositivo CUDA, y el mismo código que calcula números en tu portátil puede escalar a un servidor con varias GPU sin reescribirse. Esa diferencia hace que entrenar modelos grandes sea práctico y no teórico. ¿Sin GPU? La ruta de CPU sigue funcionando. Y escalar también. Comprueba un resultado en una muestra pequeña o lanza un entrenamiento completo: el mismo código agnóstico de dispositivo te acompaña de principio a fin, y eso explica en buena parte por qué los equipos se quedan con él tras lanzar su primer modelo.

PyTorch arma el grafo mientras corre tu código, así que puedes usar el control de flujo normal de Python dentro de un modelo. Bucles, condicionales y sentencias print funcionan en mitad del forward pass. Depurar entonces se parece a depurar Python a secas. ¿Quieres cambiar la forma de un modelo? Editas el código. Ningún grafo se rehace desde cero.

El motor autograd rastrea cada operación sobre tus tensores y calcula los gradientes por ti. Tú defines el forward pass. Tú llamas a backward. La biblioteca se encarga sola del cálculo. Esa única función elimina la parte más propensa a errores de implementar una red neuronal a mano, y es una gran razón por la que los principiantes consiguen entrenar un modelo que funciona en una tarde.

PyTorch viene con torchvision para imágenes, torchaudio para sonido y torchtext para datos de lenguaje. Más allá del conjunto oficial, proyectos como Hugging Face Transformers y PyTorch Lightning se construyen justo encima. Así que rara vez partes de cero. Solo la biblioteca de modelos preentrenados ahorra a los equipos semanas de entrenamiento.

TorchScript te deja convertir un modelo en un formato que corre sin el intérprete de Python. ¿Por qué molestarse? Por un rendimiento predecible. Combínalo con TorchServe para servirlo y tendrás un camino desde el cuaderno de investigación hasta un endpoint en vivo sin salir del framework.

El entrenamiento en varias GPU o máquinas viene integrado mediante torch.distributed y utilidades como DistributedDataParallel. Puedes repartir un modelo o un conjunto de datos entre dispositivos con cambios de código modestos. Eso mantiene los entrenamientos grandes al alcance de equipos sin un clúster dedicado.

Exporta un modelo entrenado a ONNX o usa ExecuTorch para apuntar a móviles y dispositivos embebidos. Esto significa que el modelo que entrenaste en una estación Linux puede acabar corriendo en un teléfono o un microcontrolador. Importa si tu producto llega a usuarios reales.