Facebook发表了一篇学术论文和博客，详细介绍基于Lua的Torchnet项目。这是一个以深度学习为中心的新的开源项目，以之前开源的Torch库为基础构建。

在一次采访中，Facebook人工智能研究实验室（FAIR）的Laurens van der Maaten指出，它可以用于类似图像识别、自然语言处理这样的工作，其方法和面向Theano框架的Blocks和Fuel Python库类似。他还指出：

举例来说，它让完全隐藏I/O[输入/输出]开销变得非常简单，如果想要训练一个实际的大规模深度学习系统，那么这是许多人都需要的东西。

据报道，Torchnet提供的抽象不限于Torch，也可以用于Caffe和TensorFlow，因为Torchnet对底层学习框架的限制很少。

据报道，基于Torch-7的Torchnet提供了可重用的抽象和样板逻辑（围绕异步数据加载、机器学习多GPU计算等诸如此类的工作）。Torch 7使用Lua构建，用于在CPU上使用OpenMP/SSE以及通过CUDA体系结构在GPU上运行代数运算。据FAIR介绍，Torch 7是深度机器学习的基本框架之一。FAIR打算将Torchnet打造成一个社区驱动的、基于插件的平台。对于Torchnet项目的动机和愿景，FAIR指出：

开源的Torch库已经有了一个非常活跃的开发者社区，创建出了用于优化、“流形学习（manifold learning）”、度量学习、神经网络等的程序包。Torchnet以此为基础构建，而且被设计成了一个研究社区可以做贡献的平台，主要是通过实现机器学习实验或工具的插件……按照我们的设想，Torchnet会成为一个社区所有的平台，在Torchnet核心实现完成之后，它会使用和Torch一样的方式提供一系列的子程序包。

根据FAIR的论文，Torchnet主要运用了5个抽象，以实现高效地重用和优化，否则，就要像许多项目所做的那样使用客户化代码。Dataset抽象提供了数据集中的样本数量和一个返回样本的get()函数。DatasetIterator抽象允许遍历数据集，并管理异步并行。Engine抽象实现了模型、DatasetIterator和损失函数之间的交互以及一个训练和测试函数。Engine还提供了钩子，让用户可以注入实验特有的代码，比如性能Meter。据报道，将钩子实现为闭包让Torchnet可以在用于训练和测试模型的代码之间共享逻辑。Meter抽象一般会实现两个函数add(output, target)函数和value()函数。Meter提供了度量如下性能属性的能力：

一个训练阶段的执行时间，所有示例的损失函数平均值，二元分类器ROC曲线下的面积，多类分类器的分类错误，检索模型的准确率和召回率，或者排序算法的归一化衰减累积熵。

最后，Log抽象提供了将实验日志输出为原始文本或JSON的能力。