PyTorch 2.13：TorchScript 棄用，改用 torch.export 部署模型

作者：默思編輯部　發布：2026-06-25

TorchScript 的時代要結束了

PyTorch 2.13 版本中，官方正式宣布 TorchScript 進入棄用（deprecated）階段，並明確建議開發者將模型部署的工作流程遷移到 torch.export。對於這幾年一直用 TorchScript 做模型序列化與跨語言部署（例如導出到 C++ 執行環境）的團隊，這是一個需要開始規劃遷移時程的訊號。

為什麼要淘汰 TorchScript

TorchScript 長期以來扮演「把動態的 PyTorch 模型轉換成可獨立執行、跨語言部署格式」的角色，但它的追蹤（tracing）與腳本化（scripting）機制對複雜的 Python 控制流程（例如動態分支、迴圈）支援得並不完美，經常需要開發者為了相容 TorchScript 而改寫模型程式碼，增加維護成本。

torch.export 是 PyTorch 團隊近年主推的新一代模型匯出機制，設計目標是用更貼近原生 Python 語意的方式擷取計算圖，減少「為了部署而妥協寫法」的情況，同時更好地跟 PyTorch 整體的編譯器基礎設施（如 torch.compile）整合。

對還在用 TorchScript 的團隊，該怎麼辦

1. 不用恐慌，但要開始排優先序：棄用不代表立刻無法使用，但代表官方資源會逐漸轉向新方案，長期的錯誤修正與功能支援會愈來愈少。
2. 盤點現有部署管線對 TorchScript 的依賴程度：哪些服務直接依賴 .pt 格式的 TorchScript 模型？部署環境（行動端、邊緣裝置、C++ 服務）是否已經支援 torch.export 產出的格式？
3. 小規模試點遷移：先挑一個非核心、風險較低的模型做遷移測試，累積經驗後再逐步擴大範圍，而不是一次性把所有生產環境模型都轉換。
4. 留意官方遷移指南更新：這類重大架構轉換，官方通常會持續補充遷移工具與常見問題排解文件，值得定期關注。

這對機器學習從業者的啟示

PyTorch 生態系的演進速度很快，模型訓練框架、部署工具鏈幾乎每年都在調整。與其每次都被動應對重大變更，更務實的做法是打好 Python 與底層概念的基礎（張量運算、計算圖、序列化機制），這樣無論框架怎麼演進，你都能更快掌握新工具的設計邏輯，而不是每次都要從頭學起。

默思 Mindset 的 Python 課程 提供扎實的程式基礎，是銜接後續機器學習框架學習的良好起點。