ebab7d0da53c51438720d60c6e2e467c - /page/wikibook/entry.mu

Micron Document

<!DOCTYPE html>

<title>PyTorch</title>

</head>

<h1 id="firstHeading" class="firstHeading mw-first-heading">PyTorch</h1>

</header>

</div>

/* start https://fr.wikipedia.org/ */

.mw-parser-output .entete.informatique{background-image:url("./_mw_/Picto.nfo.png")}

/* end https://fr.wikipedia.org/ */

</style>

<div>PyTorch</div>

</div>

</div>

<table><caption style="color:#000000;">Informations</caption>

<th scope="row">Créateur</th>

<td>

Adam Paszke, Sam Gross, Soumith Chintala, Gregory Chanan</td>

</tr>

<tr>

<th scope="row"> <a href="Version_d'un_logiciel" title="Version d'un logiciel">Dernière version</a>

</th>

<td>

2.9.0 (<time class="nowrap" datetime="2025-10-15" data-sort-value="2025-10-15">15 octobre 2025</time>)<a href="#cite_note-wikidata-e60ed16e7233f0503f3e2bda125c46544fc48ce5-1">[1]</a></td>

</tr>

<tr>

<th scope="row"><a href="D%C3%A9p%C3%B4t_(informatique)" title="Dépôt (informatique)">Dépôt</a></th>

<td>

<a rel="nofollow" class="external text" href="https://github.com/pytorch/pytorch">github.com/pytorch/pytorch</a></td>

</tr>

<tr>

<th scope="row"> <a href="Langage_de_programmation" title="Langage de programmation">Écrit en</a>

</th>

<td>

<a href="C%2B%2B" title="C++">C++</a>, <a href="Python_(langage)" title="Python (langage)">Python</a>, <a href="C_(langage)" title="C (langage)">C</a> et <a href="Compute_Unified_Device_Architecture" title="Compute Unified Device Architecture">Compute Unified Device Architecture</a></td>

</tr>

<tr>

<th scope="row"><a href="Syst%C3%A8me_d'exploitation" title="Système d'exploitation">Système d'exploitation</a></th>

<td>

<a href="Linux" title="Linux">Linux</a>, <a href="MacOS" title="MacOS">macOS</a> et <a href="Microsoft_Windows" title="Microsoft Windows">Microsoft Windows</a></td>

</tr>

<tr>

<th scope="row"><a href="Format_de_donn%C3%A9es" title="Format de données">Formats</a> lus</th>

<td>

PyTorch Serialized File Format (<a href="https://www.wikidata.org/wiki/Q136464298" class="extiw external" title="d:Q136464298">d</a>)</td>

</tr>

<tr>

<th scope="row"><a href="Format_de_donn%C3%A9es" title="Format de données">Formats</a> écrits</th>

<td>

PyTorch Serialized File Format (<a href="https://www.wikidata.org/wiki/Q136464298" class="extiw external" title="d:Q136464298">d</a>)</td>

</tr>

<tr>

<th scope="row"> Type

</th>

<td>

<a href="Biblioth%C3%A8que_logicielle" title="Bibliothèque logicielle">Bibliothèque logicielle</a> Bibliothèque logicielle Python (<a href="https://www.wikidata.org/wiki/Q29642950" class="extiw external" title="d:Q29642950">d</a>) Structure logicielle d'apprentissage automatique (<a href="https://www.wikidata.org/wiki/Q21169670" class="extiw external" title="d:Q21169670">d</a>)</td>

</tr>

<tr>

<th scope="row"><a href="Licence_de_logiciel" title="Licence de logiciel">Licence</a></th>

<td>

<a href="Licence_BSD" title="Licence BSD">BSD 3-clauses</a></td>

</tr>

<tr>

<th scope="row"><a href="Documentation_logicielle" title="Documentation logicielle">Documentation</a></th>

<td>

<a rel="nofollow" class="external text" href="https://pytorch.org/docs/stable/index.html">pytorch.org/docs/stable/index.html</a></td>

</tr>

<tr>

<td>

<a rel="nofollow" class="external text" href="https://pytorch.org">pytorch.org</a></td>

</tr>

</tbody></table>

</div>

PyTorch est une <a href="Biblioth%C3%A8que_logicielle" title="Bibliothèque logicielle">bibliothèque logicielle</a> <a href="Python_(langage)" title="Python (langage)">Python</a> open source d'<a href="Apprentissage_automatique" title="Apprentissage automatique">apprentissage automatique</a> qui s'appuie sur Torch <a href="https://en.wikipedia.org/wiki/Torch_(machine_learning)" class="extiw external" title="en:Torch (machine learning)">(en)</a> développée par <a href="Meta_(entreprise)" title="Meta (entreprise)">Meta</a><a href="#cite_note-2">[2]</a>.

PyTorch est gouverné par la PyTorch Foundation<a href="#cite_note-3">[3]</a>.

PyTorch permet d'effectuer les calculs tensoriels nécessaires notamment pour l'apprentissage profond (deep learning). Ces calculs sont optimisés et effectués soit par le processeur (CPU) soit, lorsque c'est possible, par un processeur graphique (<a href="Processeur_graphique" title="Processeur graphique">GPU</a>) supportant <a href="CUDA" class="mw-redirect" title="CUDA">CUDA</a>. PyTorch a été créé par les <a href="Facebook_Artificial_Intelligence_Research" title="Facebook Artificial Intelligence Research">équipes de recherche de Facebook</a>, précédées par les travaux de recherche de Ronan Collobert au cœur de l'équipe de <a href="Samy_Bengio" title="Samy Bengio">Samy Bengio</a><a href="#cite_note-4">[4]</a> à l'<a href="Institut_de_recherche_Idiap" title="Institut de recherche Idiap">IDIAP</a>.

PyTorch se présente sous les traits d'un dérivé d'un logiciel antérieur, Torch, dont l'utilisation nécessitait la maîtrise du langage <a href="Lua" title="Lua">Lua</a>. PyTorch est désormais indépendant de Lua et se programme en Python.

PyTorch permet, entre autres, de:

<ul><li>manipuler des <a href="Tenseur" title="Tenseur">tenseurs</a> (tableaux multidimensionnels), de les échanger facilement avec <a href="NumPy" title="NumPy">Numpy</a> et d'effectuer des calculs efficaces sur CPU ou GPU (par exemple, des produits de matrices ou des convolutions);</li>

<li>calculer des <a href="Gradient" title="Gradient">gradients</a> pour appliquer facilement des algorithmes d'optimisation par <a href="Algorithme_du_gradient" title="Algorithme du gradient">descente de gradient</a>. PyTorch utilise la bibliothèque autograd<a href="#cite_note-5">[5]</a>.</li></ul>

<div class="mw-heading mw-heading2"><h2 id="Tenseurs_PyTorch">Tenseurs PyTorch</h2></div>

PyTorch définit une classe appelée Tensor (torch.Tensor) pour stocker les données et opérer sur des tableaux rectangulaires multidimensionnels homogènes de nombres. Les tenseurs PyTorch sont similaires aux tableaux <a href="NumPy" title="NumPy">NumPy</a>, mais peuvent également être utilisés sur un <a href="Processeur_graphique" title="Processeur graphique">GPU</a> <a href="Nvidia" title="Nvidia">Nvidia</a> compatible CUDA. PyTorch prend en charge divers sous-types de Tensors<a href="#cite_note-6">[6]</a>.

<div class="mw-heading mw-heading2"><h2 id="Historique">Historique</h2></div>

En <time class="nowrap" datetime="2018-03" data-sort-value="2018-03">mars 2018</time> Caffe2 <a href="https://en.wikipedia.org/wiki/Caffe_(software)" class="extiw external" title="en:Caffe (software)">(en)</a> fusionne avec PyTorch <a href="#cite_note-7">[7]</a>. PyTorch rejoint la <a href="Fondation_Linux" title="Fondation Linux">Fondation Linux</a> en septembre 2022<a href="#cite_note-8">[8]</a>.

<div class="mw-heading mw-heading2"><h2 id="Exemple">Exemple</h2></div>

Le programme suivant montre la fonctionnalité de la bibliothèque avec un exemple simple<a href="#cite_note-9">[9]</a> :

<div class="mw-highlight mw-highlight-lang-python mw-content-ltr mw-highlight-lines" dir="ltr"><pre>import torch

dtype = torch.float

device = torch.device("cpu") # Tous les calculs seront exécutés sur le processeur

# device = torch.device("cuda:0") # Tous les calculs seront exécutés sur la carte graphique

# Création d'un tenseur rempli avec des nombres aléatoires

a = torch.randn(2, 3, device=device, dtype=dtype)

print(a) # Affichage du tenseur a

# Output: tensor([[-1.1884, 0.8498, -1.7129],

# [-0.8816, 0.1944, 0.5847]])

# Création d'un tenseur rempli avec des nombres aléatoires

b = torch.randn(2, 3, device=device, dtype=dtype)

print(b) # Affichage du tenseur b

# Output: tensor([[ 0.7178, -0.8453, -1.3403],

# [ 1.3262, 1.1512, -1.7070]])

print(a*b) # Affichage du produit (terme à terme) des deux tenseurs

# Output: tensor([[-0.8530, -0.7183, 2.58],

# [-1.1692, 0.2238, -0.9981]])

print(a.sum()) # Affichage de la somme de tous les éléments du tenseur a

# Output: tensor(-2.1540)

print(a[1,2]) # Affichage de l'élément de la 2ème rangée et de la 3ème colonne de a

# Output: tensor(0.5847)

print(a.min()) # Affichage de la valeur minimale du tenseur a

# Output: tensor(-1.7129)

</pre></div>

<div class="mw-heading mw-heading2"><h2 id="PyTorch_Tensors">PyTorch Tensors</h2></div>

PyTorch utilise essentiellement des Tensors : <code>torch.Tensor.</code> Similaires aux tables de <a href="NumPy" title="NumPy">NumPy</a>, cette <a href="Structure_de_donn%C3%A9es" title="Structure de données">structure de donnée</a> permet de stocker un <a href="Tableau_(structure_de_donn%C3%A9es)" title="Tableau (structure de données)">tableau multidimensionnel</a> de forme homogène. Les Tenors peuvent également être transférés depuis le CPU (par défaut) sur un GPU (et vise-versa). Les GPU de <a href="Nvidia" title="Nvidia">NVIDIA</a>, sous plateforme <a href="Compute_Unified_Device_Architecture" title="Compute Unified Device Architecture">CUDA</a> sont pleinement compatibles. D’autres plateformes sont en cours de développement comme les GPU d'<a href="Advanced_Micro_Devices" title="Advanced Micro Devices">AMD</a> sous la plateforme ROCm™, d’<a href="Apple" title="Apple">Apple</a> avec <a href="Metal_(API)" title="Metal (API)">MPS</a> <a href="#cite_note-10">[10]</a> .

Il est à noter que les Tensors ont de tenseurs que le nom (comme dans le <a href="Machine_learning" class="mw-redirect" title="Machine learning">machine learning</a> finallement). Ils ont en effet un but premier de stockage sous forme de table multi-dimensionel même si certaines méthodes d’<a href="Alg%C3%A8bre_lin%C3%A9aire" title="Algèbre linéaire">algèbre linéaire</a> y sont implémentés.

<div class="mw-heading mw-heading3"><h3 id="Articles_connexes">Articles connexes</h3></div>

<ul><li><a href="Comparaison_de_logiciels_d'apprentissage_profond" title="Comparaison de logiciels d'apprentissage profond">Comparaison de logiciels d'apprentissage profond</a></li></ul>

<div class="mw-heading mw-heading2"><h2 id="Notes_et_références">Notes et références</h2></div>

<li id="cite_note-wikidata-e60ed16e7233f0503f3e2bda125c46544fc48ce5-1"><a href="#cite_ref-wikidata-e60ed16e7233f0503f3e2bda125c46544fc48ce5_1-0">↑</a> « <a rel="nofollow" class="external text" href="https://github.com/pytorch/pytorch/releases/tag/v2.9.0"><cite style="font-style:normal;">Release 2.9.0</cite></a> », <time class="nowrap" datetime="2025-10-15" data-sort-value="2025-10-15">15 octobre 2025</time> (consulté le <time class="nowrap" datetime="2025-10-20" data-sort-value="2025-10-20">20 octobre 2025</time>)

</li>

<li id="cite_note-2"><a href="#cite_ref-2">↑</a> Julien Bergounhoux, « <cite style="font-style:normal">Avec PyTorch 1.0, Facebook cherche à créer la boite à outil ultime pour l'intelligence artificielle</cite> », <a href="L'Usine_digitale" title="L'Usine digitale">L'Usine digitale</a>,‎ <time class="nowrap" datetime="2018-05-04" data-sort-value="2018-05-04">4 mai 2018</time> (<a rel="nofollow" class="external text" href="https://www.usine-digitale.fr/article/avec-pytorch-1-0-facebook-cherche-a-creer-la-boite-a-outil-ultime-pour-l-intelligence-artificielle.N688959">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Avec+PyTorch+1.0%2C+Facebook+cherche+%C3%A0+cr%C3%A9er+la+boite+%C3%A0+outil+ultime+pour+l%27intelligence+artificielle&rft.jtitle=L%27Usine+digitale&rft.aulast=Bergounhoux&rft.aufirst=Julien&rft.date=2018-05-04&rft_id=https%3A%2F%2Fwww.usine-digitale.fr%2Farticle%2Favec-pytorch-1-0-facebook-cherche-a-creer-la-boite-a-outil-ultime-pour-l-intelligence-artificielle.N688959&rfr_id=info%3Asid%2Ffr.wikipedia.org%3APyTorch">

</li>

<li id="cite_note-3"><a href="#cite_ref-3">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="https://www.pytorch.org/"><cite style="font-style:normal;" lang="en">PyTorch</cite></a> », sur www.pytorch.org (consulté le <time class="nowrap" datetime="2022-09-13" data-sort-value="2022-09-13">13 septembre 2022</time>)

</li>

<li id="cite_note-4"><a href="#cite_ref-4">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=CBB0C8A5FE34F6D6DAFF997F6B6A205A?doi=10.1.1.8.9850&rep=rep1&type=pdf"><cite style="font-style:normal;" lang="en">Torch: A Modular Machine Learning Software Library</cite></a> », sur citeseerx.ist.psu.edu, <time class="nowrap" datetime="2002-10-30" data-sort-value="2002-10-30">30 octobre 2002</time> (consulté le <time class="nowrap" datetime="2018-12-24" data-sort-value="2018-12-24">24 décembre 2018</time>)

</li>

<li id="cite_note-5"><a href="#cite_ref-5">↑</a> « <a rel="nofollow" class="external text" href="https://pytorch.org/docs/stable/autograd.html"><cite style="font-style:normal;">Automatic differentiation package - torch.autograd — PyTorch master documentation</cite></a> », sur pytorch.org (consulté le <time class="nowrap" datetime="2018-12-24" data-sort-value="2018-12-24">24 décembre 2018</time>)

</li>

<li id="cite_note-6"><a href="#cite_ref-6">↑</a> « <a rel="nofollow" class="external text" href="https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/"><cite style="font-style:normal;">An Introduction to PyTorch – A Simple yet Powerful Deep Learning Library</cite></a> », sur analyticsvidhya.com, <time class="nowrap" datetime="2018-02-22" data-sort-value="2018-02-22">22 février 2018</time> (consulté le <time class="nowrap" datetime="2018-06-11" data-sort-value="2018-06-11">11 juin 2018</time>)

</li>

<li id="cite_note-7"><a href="#cite_ref-7">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="https://caffe2.ai/blog/2018/05/02/Caffe2_PyTorch_1_0.html"><cite style="font-style:normal;" lang="en">Caffe2 and PyTorch join forces to create a research + production platform</cite></a> » [« Caffe2 et PyTorch s'unissent pour créer une plateforme de recherche et de production »], sur Official Caffe2 Blog, <time class="nowrap" datetime="2018-05-02" data-sort-value="2018-05-02">2 mai 2018</time> (consulté le <time class="nowrap" datetime="2024-05-17" data-sort-value="2024-05-17">17 mai 2024</time>)

</li>

<li id="cite_note-8"><a href="#cite_ref-8">↑</a> #LeBrief, « <a rel="nofollow" class="external text" href="https://www.nextinpact.com/brief_article/meta-transfere-gouvernance-pytorch-a-linux-foundation"><cite style="font-style:normal;">Meta transfère la gouvernance de PyTorch à la Linux Foundation</cite></a> », sur <a href="Next_(site_web)" title="Next (site web)">nextinpact.com</a>, <time class="nowrap" datetime="2022-09-13" data-sort-value="2022-09-13">13 septembre 2022</time> (consulté le <time class="nowrap" datetime="2022-09-13" data-sort-value="2022-09-13">13 septembre 2022</time>)

</li>

<li id="cite_note-9"><a href="#cite_ref-9">↑</a> Jeremy Howard, Sylvain Gugger, <cite class="italique">Deep Learning for Coders with fastai and PyTorch</cite>, O'Reilly, <time>2020</time> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-1492045526, <a rel="nofollow" class="external text" href="https://python.engineering/deep-learning-for-coders-with-fastai-and-pytorch/">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=Deep+Learning+for+Coders+with+fastai+and+PyTorch&rft.pub=O%27Reilly&rft.au=Jeremy+Howard%2C+Sylvain+Gugger&rft.date=2020&rft.isbn=978-1492045526&rft_id=https%3A%2F%2Fpython.engineering%2Fdeep-learning-for-coders-with-fastai-and-pytorch%2F&rfr_id=info%3Asid%2Ffr.wikipedia.org%3APyTorch">

</li>

<li id="cite_note-10"><a href="#cite_ref-10">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="https://pytorch.org/blog/introducing-accelerated-pytorch-training-on-mac/"><cite style="font-style:normal;" lang="en">Introducing Accelerated PyTorch Training on Mac</cite></a> » [<a rel="nofollow" class="external text" href="https://web.archive.org/web/20240129141050/https://pytorch.org/blog/introducing-accelerated-pytorch-training-on-mac/">archive du <time class="nowrap" datetime="2024-01-29" data-sort-value="2024-01-29">29 janvier 2024</time></a>], pytorch.org (consulté le <time class="nowrap" datetime="2022-06-04" data-sort-value="2022-06-04">4 juin 2022</time>)

</li>

</ol></div>

</div>

</div>

<ul id="bandeau-portail" class="bandeau-portail"><li> Portail des logiciels libres </li> <li> Portail des données </li> <li> Portail de l’intelligence artificielle </li> </ul></div><div><div class="zim-footer">

Cet article est issu de <a class="external text" title="Dernière modification le 2025-10-25" href="https://fr.wikipedia.org/wiki/?title=PyTorch&oldid=230046745">Wikipédia</a>. Sauf mention contraire, le texte est disponible sous <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.fr">Creative Commons Attribution-Share Alike 4.0</a>. Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.

</div>

</div></div>

</div>

</main>

</div>

</body></html>