PyTorch 1.0 稳定版终于正式发布了！

PyTorch 1.0 稳定版终于正式发布了！

昨天，在 NeurIPS 大会上，Facebook 正式发布PyTorch 1.0 稳定版！

PyTorch团队主要成员，包括贾扬清

地址：

JIT编译器、C++ 前端等四大新功能

JIT

使用程序注释可以将现有模型转换为 Torch 脚本，这是 PyTorch 可以直接运行的 Python 子集。模型代码仍然是有效的 Python 代码，并且可以使用标准 Python 工具链进行调试。

PyTorch 1.0 提供了两种方法使现有代码与 JIT 兼容的方法，torch.jit.trace 或 torch.jit.script。一旦加上注释，Torch Script 代码就可以被积极地优化，并且可以序列化，以便在新的 c++ API 中使用。这个 API 完全不依赖 Python。

全新的分布式包

torch.distributed 软件包和 torch.nn.parallel.DistributedDataParallel 模块由全新的、重新设计的分布式库提供支持。新的库的主要亮点有：

新的 torch.distributed 是性能驱动的，并且对所有后端 (Gloo，NCCL 和 MPI) 完全异步操作。

为 torch.distributedpackage 中的所有分布式集合操作添加异步支持。

在 NCCL 后端添加 barrier 操作

为 NCCL 后端添加 new_group 支持

C++ 前端

C ++ 前端是 PyTorch 后端的纯 C ++ 接口，它遵循已建立的 Python 前端的 API 和体系结构。它旨在实现高性能、低延迟和裸机 C ++ 应用程序的研究。它提供了 torch.nn，torch.optim，torch.data 和 Python 前端的其他组件的对应版本。以下是两种语言前端的比较：

作为 PyTorch 1.0 的一部分，我们发布的是标记有 “API Unstable” 的 C ++ 前端。这意味着它已准备好用于你的研究应用程序，但仍有一些不稳定，我们将在接下来的几个版本中稳定下来。在此期间，API 的某些部分可能会发生大的更改。

Torch Hub

Torch Hub 是一个预训练的模型库，旨在促进研究的可重复性。

Torch Hub 支持使用简单的 hubconf.py 文件将预训练的模型（模型定义和预训练的权重）发布到 github 存储库; 以 pytorch/vision 中的 resnet 模型为例，请参阅 hubconf for resnet models in pytorch/vision。

不断增长的 PyTorch 社区

PyTorch 在 2017 年初首次推出，很快成为 AI 研究人员的热门选择。他们发现，由于其灵活、动态的编程环境和用户友好的界面，PyTorch 是快速实验的理想选择。从那时起，这个社区迅速发展起来。

PyTorch 现在是GitHub 上增长速度第二快的开源项目，在过去的 12 个月里，贡献者增加了 2.8 倍。

所有人都可以通过 Udacity 网站免费获得完整的课程，更高级的 PyTorch 课程则将很快通过 Udacity 的 AI 纳米学位提供。

我们非常高兴看到开发人员使用这个库取得的成功。例如，Santhosh Shetty 使用 fastai 将灾后损伤等级分类的准确率提高了一倍；Alena Harley 将肿瘤正常测序的假阳性率降低了 7 倍；Jason Antic 创建了一个名为 DeOldify 的项目，使用深度学习对旧图像进行着色和恢复。

图片由 Jason Antic 提供

PyTorch 已经被应用于从图像识别到机器翻译的各种用例。因此，我们看到来自开发者社区的各种各样的项目，这些项目扩展并支持了 PyTorch 开发。其中一些项目包括：

PyTorch Geometry——PyTorch 的几何计算机视觉库，提供一组例程和可微分模块。

TensorBoardX—一个将 PyTorch 模型记录到 TensorBoard 的模块，允许开发人员使用可视化工具进行模型训练。

此外，Facebook 的团队也在为 PyTorch 构建和开源项目，比如 Translate，这是一个基于 Facebook 机器翻译系统的用于训练 sequence-to-sequence 模型的库。

支持各种云

为了使 PyTorch 更易于访问和用户友好，我们继续深化与云平台和服务的合作，例如Amazon Web services、Google Cloud Platform和Microsoft Azure。

就在最近，AWS 推出了支持 PyTorch 的 Amazon SageMaker Neo，允许开发人员在 PyTorch 中构建机器学习模型，一次训练后即可部署到云或边缘的任何地方，并且性能提高了两倍。

开发人员现在还可以通过创建一个新的深度学习 VM 实例，在谷歌云平台上试用 PyTorch 1.0。

此外，微软的 Azure 机器学习服务现在已经普遍可用，它允许数据科学家在 Azure 上无缝地训练、管理和部署 PyTorch 模型。使用该服务的 Python SDK, PyTorch 开发人员可以利用按需分布式计算功能，用 PyTorch 1.0 大规模训练模型，以加速生产过程。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。