Torch是一个基于Lua的开源机器学习库、科学计算框架和脚本语言。它为用C语言实现的深度学习算法提供了LuaJIT接口。该库由Idiap研究所创建，后来在2017年被移植到Python，即PyTorch，此后活跃开发转向了Python版本。Torch提供了一套灵活的工具，用于构建和训练神经网络，包括张量、神经网络模块和优化工具。其设计影响了后续的深度学习框架，并为更广泛的深度学习和机器学习领域做出了贡献，作为人工智能研究生态系统的一部分。
核心包：torch
Torch的核心包名为torch，提供了一个灵活的N维数组，称为Tensor，支持索引、切片、转置、类型转换、调整大小、共享存储和克隆。张量是该框架中大多数其他包使用的基本数据结构。它们支持数学运算，如最大值、最小值和总和，统计分布，如均匀分布、正态分布和多项分布，以及基本线性代数运算（BLAS），包括点积、矩阵-向量乘法、矩阵-矩阵乘法和矩阵乘积。该包还通过便捷函数简化了面向对象编程和序列化。torch.class函数支持创建对象工厂（类），通过此机制创建的对象在未包含不受支持的引用（如Lua协程或userdata，除非userdata被包装在带有read和write方法的表中）时可以序列化。
神经网络包（nn）
nn包专为构建神经网络而设计。它由共享Module接口的模块化对象组成，具有用于前馈和反向传播的forward()和backward()方法。模块可以使用复合结构（如Sequential、Parallel和Concat）组合，而更简单的模块（如Linear、Tanh和Max）构成基本构建块。这种模块化接口提供了一阶自动微分。损失函数作为Criterion的子类实现，具有类似的接口，并计算损失和梯度。常见标准包括MSECriterion（均方误差）和ClassNLLCriterion（交叉熵）。该包还包括一个StochasticGradient类，用于使用随机梯度下降进行训练，尽管optim包提供了更多选项，如动量和权重衰减正则化。
附加包
除了官方核心（torch和nn）之外，几个额外的包扩展了Torch的功能。这些包提供了并行计算、异步输入/输出、图像处理和其他专门任务的工具。它们通常通过Lua包管理器LuaRocks安装，该管理器包含在标准Torch发行版中。社区开发了广泛的扩展，使Torch能够适应各种应用领域。
应用
Torch被多个知名研究和行业团体使用，包括Facebook AI研究组、IBM、Yandex和Idiap研究所。它已被扩展用于移动平台，如Android和iOS，并已用于构建神经网络中数据流的硬件实现。Facebook还发布了一组扩展模块作为开源软件，展示了该库在生产和研究环境中的灵活性。
遗产与向PyTorch的过渡
开发在2017年转向了PyTorch，这是原始库的Python移植版本。PyTorch保留了张量和动态计算图的核心概念，但利用Python的生态系统实现了更广泛的采用。这一转变使PyTorch成为深度学习研究和行业中使用最广泛的框架之一，对后续工具如大型语言模型和Transformer架构产生了重大影响。如今，Torch的开发活跃度较低，但作为PyTorch的前身和现代深度学习框架演进的贡献者，它仍具有历史意义。