用途：PyTorch 是 Python 深度学习框架，用张量做 GPU 加速数值计算，用动态计算图（Autograd）实现自动微分，适合研究新架构、训练神经网络、求解物理信息神经网络（PINN）、实现 GAN/扩散等生成模型，以及通过 TorchScript/ONNX 做部署。
主要能力：张量类似 NumPy ndarray，但可放在 GPU 上并支持自动微分；动态图在代码执行时即时构建，允许模型内使用 Python 的 if/for 控制流；nn.Module 作为网络组件基类，自动跟踪 nn.Parameter 权重与偏置；torch.utils.data 提供 Dataset 与 DataLoader 处理批、打乱和多进程加载；torch.autograd.grad 可求高阶导数（Jacobian/Hessian）；torch.compile 与 torch.cuda.amp 分别用于编译加速和混合精度。
使用方式：安装命令为 CPU 版 pip install torch torchvision，GPU 版 pip install torch --index-url https://download.pytorch.org/whl/cu121（具体 CUDA 版本以 pytorch.org 为准）。典型流程：定义张量数据、用 nn.Module 或 nn.Linear 建模型、选损失与优化器，训练循环中依次执行 optimizer.zero_grad()、loss.backward()、optimizer.step()。用 .to(device) 把模型和数据移到同一设备；推理时用 torch.no_grad() 并配合 model.eval()；训练时用 model.train()。
适用场景：CNN、RNN、Transformer 训练；动态图研究；NVIDIA CUDA 或 Mac MPS 上的张量加速；PINN；GAN、Diffusion；大规模自动微分优化；生产部署。
限制与注意：梯度默认累积，忘记 zero_grad() 会导致不收敛；CPU 与 GPU 张量混用会报 RuntimeError；日志标量应使用 loss.item() 避免保留计算图；GPU 上不宜过度使用 float64；避免在循环中逐条把 Python 列表转张量，应使用 DataLoader 批处理；梯度爆炸可用 clip_grad_norm_，Dead ReLU 可换 LeakyReLU/ELU。官方文档 https://pytorch.org/docs/，教程 https://pytorch.org/tutorials/。