原文：

https://pytorch.org/docs/stable/community/design.html

PyTorch设计哲学总结

设计原则

1. 可用性优先于性能 （usability over everything else）
   • PyTorch的主要目标是可用性，次要目标是合理的性能。
   • 避免过早实施严格的用户限制，以保持灵活性，支持构建在PyTorch抽象之上的研究人员。
   • PyTorch以可用性为先，避免过早采用限制性规则，以确保用户体验的完整性和灵活性。
2. 简单胜于易用
   • PyTorch倾向于提供简单和明确的构建模块，而不是易于使用的API。
   • 明确比隐式更好，简单比复杂更好。
   • 通过暴露简单和明确的构建模块，PyTorch帮助新用户更容易理解和调试代码。
3. Python优先，具有最佳语言互操作性
   • PyTorch深度集成于Python，使其能够自然地与Python库进行交互。
   • 尽管存在Python开销，但在Python中工作为用户提供了最佳体验。
   • PyTorch致力于在Python易用性端接近帕累托最优点，以满足用户需求。

这些设计原则不是硬性规则，而是经过艰难选择的决策，塑造了PyTorch成为今天可调试、可定制和灵活的框架。随着贡献者和维护者的增多，我们期待与您共同应用这些核心原则，推动我们的库和生态系统。同时，我们也愿意根据学习和人工智能领域的发展不断演进这些原则。

每轮step，DAG计算图都是重新连接的！好处：可以用if来灵活改变图结构

DAGs are dynamic in PyTorch An important thing to note is that the graph is recreated from scratch; after each .backward() call, autograd starts populating a new graph. This is exactly what allows you to use control flow statements in your model; you can change the shape, size and operations at every iteration if needed.