PyTorch

Les tenseurs sont la structure de données centrale de PyTorch. Voyez-les comme des tableaux NumPy, mais capables de tourner sur GPU. Un seul appel de méthode déplace un tenseur vers un device CUDA, et le même code qui calcule des nombres sur votre portable peut passer à un serveur multi-GPU sans réécriture. C'est cet écart qui rend l'entraînement de grands modèles pratique plutôt que théorique. Pas de GPU ? La voie CPU fonctionne toujours. Le passage à l'échelle aussi. Vérifiez un résultat sur un petit échantillon ou lancez un entraînement complet : le même code agnostique au device vous accompagne du début à la fin, et c'est en bonne partie pourquoi les équipes le gardent une fois leur premier modèle livré.

PyTorch assemble le graphe pendant que votre code s'exécute, vous pouvez donc utiliser le contrôle de flux normal de Python dans un modèle. Boucles, conditions et instructions print fonctionnent en plein forward pass. Le débogage ressemble alors à celui de Python pur. Vous voulez changer la forme d'un modèle ? Vous modifiez le code. Aucun graphe n'est reconstruit de zéro.

Le moteur autograd suit chaque opération sur vos tenseurs et calcule les gradients pour vous. Vous définissez le forward pass. Vous appelez le backward. La bibliothèque gère le calcul toute seule. Cette seule fonctionnalité supprime la partie la plus sujette aux erreurs de l'implémentation manuelle d'un réseau de neurones, et c'est une grande raison pour laquelle les débutants entraînent un modèle fonctionnel en un après-midi.

PyTorch est livré avec torchvision pour les images, torchaudio pour le son et torchtext pour les données de langage. Au-delà de l'ensemble officiel, des projets comme Hugging Face Transformers et PyTorch Lightning se construisent directement dessus. Vous partez donc rarement de zéro. Rien que la bibliothèque de modèles pré-entraînés fait gagner des semaines d'entraînement aux équipes.

TorchScript vous permet de convertir un modèle en une forme qui s'exécute sans l'interpréteur Python. Pourquoi s'en donner la peine ? Pour des performances prévisibles. Associez-le à TorchServe pour le service, et vous obtenez un chemin du carnet de recherche à un endpoint en production sans quitter le framework.

L'entraînement sur plusieurs GPU ou machines est intégré via torch.distributed et des utilitaires comme DistributedDataParallel. Vous répartissez un modèle ou un jeu de données entre les appareils avec des modifications de code modestes. Cela garde les gros entraînements à portée d'équipes sans cluster dédié.

Exportez un modèle entraîné vers ONNX, ou utilisez ExecuTorch pour cibler mobile et systèmes embarqués. Cela signifie que le modèle entraîné sur une station Linux peut finir par tourner sur un téléphone ou un microcontrôleur. Cela compte si votre produit arrive à de vrais utilisateurs.