PyTorch

¿Qué es?

PyTorch es un framework open-source de deep learning para Python. Su unidad básica es el tensor: un array multidimensional parecido al de NumPy, pero con dos superpoderes — corre en GPU y trae autograd (diferenciación automática). Sobre esa base ofrece bloques listos (torch.nn, optimizadores, funciones de pérdida) para construir y entrenar redes neuronales.

¿Para qué sirve?

• Visión por computador. Clasificación de imágenes, detección de objetos, segmentación — con redes convolucionales y modelos preentrenados.
• NLP y LLMs. Es el framework de referencia para procesamiento de lenguaje y para entrenar o afinar modelos de lenguaje grandes; la mayor parte del ecosistema (p. ej. Hugging Face) está construida sobre él.
• Modelos a medida. Cualquier arquitectura propia que necesite gradientes: el autograd se encarga de derivar, tú defines el modelo y la pérdida.
• Investigación y producción. Su API dinámica lo hace cómodo para experimentar, y herramientas como TorchScript y torch.compile lo llevan a producción.

¿Cuándo usarla / cuándo no?

Úsalo para deep learning sobre datos no estructurados — imágenes, texto, audio, series complejas — donde las redes neuronales aportan valor real, y cuando quieras aprovechar la GPU para entrenar a escala.

Piénsalo dos veces para ML clásico sobre datos tabulares: ahí scikit-learn es más simple, más rápido de poner en marcha y casi siempre basta. Si un modelo lineal o un árbol de decisión resuelve tu problema, no lo lleves a PyTorch — añadirías complejidad sin ganar precisión. La frontera honesta es esta: scikit-learn para tabular y baselines; PyTorch cuando entras en deep learning.

Empieza en 1 minuto

pip install torch

import torch

# Un tensor con seguimiento de gradiente
x = torch.tensor([2.0], requires_grad=True)

# Una operación cualquiera: y = x^2 + 3x
y = x ** 2 + 3 * x

# autograd calcula dy/dx automáticamente
y.backward()

print(x.grad)  # dy/dx = 2x + 3 = 7.0 en x=2

x.grad muestra el gradiente que PyTorch calculó solo: ese mismo mecanismo, aplicado a millones de parámetros, es lo que entrena una red neuronal. El siguiente paso natural es construir un modelo con torch.nn.Module y entrenarlo con un optimizador de torch.optim. La documentación oficial incluye tutoriales para cada caso.