PyTorch 1.0 穩(wěn)定版終于正式發(fā)布了！新版本增加了JIT編譯器、全新的分布式包、C++ 前端，以及 Torch Hub等新功能，支持AWS、谷歌云、微軟Azure等云平臺，一句話，強(qiáng)大！

昨天，在 NeurIPS 大會上，F(xiàn)acebook 正式發(fā)布PyTorch 1.0 穩(wěn)定版！

這距離 PyTorch 1.0 預(yù)覽版發(fā)布僅僅過去了兩個月。PyTorch 1.0 預(yù)覽版首次發(fā)布是在 10 月份的 PyTorch 開發(fā)者大會，新增了面向生產(chǎn)的特征和主要云平臺的支持等功能，被認(rèn)為 90% 的功能能經(jīng)受住業(yè)界的考驗(yàn)。

題外話，NeurIPS 大會上，同一天 TensorFlow 團(tuán)隊和 PyTorch 團(tuán)隊先后有一個演講，介紹他們的框架。網(wǎng)友表示，這就像現(xiàn)實(shí)版的 “Mac 和 PC 之爭”（PyTorch 是 Mac）。TensorFlow 2.0 將在 2019 年正式發(fā)布。

回到 PyTorch1.0，研究人員和工程師現(xiàn)在可以輕松地充分利用這個開源深度學(xué)習(xí)框架的新特性，包括一個用于 eager 和 graph execution 模型無縫轉(zhuǎn)換的 hybrid 前端，改進(jìn)的分布式訓(xùn)練，用于高性能研究的純 C++ 前端，以及與云平臺的深度集成。

PyTorch團(tuán)隊主要成員，包括賈揚(yáng)清

此外，PyTorch 1.0 加速了 AI 從研究原型開發(fā)到生產(chǎn)部署的工作流程，并使其更容易入門。在過去幾個月，初學(xué)者通過各種教育項(xiàng)目快速開始使用 PyTorch，專家們構(gòu)建各種創(chuàng)新項(xiàng)目，將框架擴(kuò)展到從自然語言處理到概率編程的各個領(lǐng)域。

PyTorch 1.0 穩(wěn)定版增加了一系列新功能，包括 JIT Compiler，全新的分布式包、C++ 前端，以及 Torch Hub。以及大量更新、新增特征、bug修復(fù)等：

地址：

https://github.com/pytorch/pytorch/releases/tag/v1.0.0

JIT編譯器、C++ 前端等四大新功能

JIT

JIT 是一組編譯器工具，用于縮小 PyTorch 在研究和生產(chǎn)上的鴻溝。它允許創(chuàng)建可以在不依賴 Python 解釋器的情況下運(yùn)行的模型，并且可以更積極地優(yōu)化這些模型。

使用程序注釋可以將現(xiàn)有模型轉(zhuǎn)換為 Torch 腳本，這是 PyTorch 可以直接運(yùn)行的 Python 子集。模型代碼仍然是有效的 Python 代碼，并且可以使用標(biāo)準(zhǔn) Python 工具鏈進(jìn)行調(diào)試。

PyTorch 1.0 提供了兩種方法使現(xiàn)有代碼與 JIT 兼容的方法，torch.jit.trace 或 torch.jit.script。一旦加上注釋，Torch Script 代碼就可以被積極地優(yōu)化，并且可以序列化，以便在新的 c++ API 中使用。這個 API 完全不依賴 Python。

全新的分布式包

torch.distributed 軟件包和 torch.nn.parallel.DistributedDataParallel 模塊由全新的、重新設(shè)計的分布式庫提供支持。新的庫的主要亮點(diǎn)有：

新的 torch.distributed 是性能驅(qū)動的，并且對所有后端 (Gloo，NCCL 和 MPI) 完全異步操作。

顯著的分布式數(shù)據(jù)并行性能改進(jìn)，尤其適用于網(wǎng)絡(luò)較慢的主機(jī)，如基于以太網(wǎng)的主機(jī)。

為 torch.distributedpackage 中的所有分布式集合操作添加異步支持。

在 Gloo 后端添加以下 CPU 操作：send，recv，reduce，all_gather，gather，scatter

在 NCCL 后端添加 barrier 操作

為 NCCL 后端添加 new_group 支持

C++ 前端

C ++ 前端是 PyTorch 后端的純 C ++ 接口，它遵循已建立的 Python 前端的 API 和體系結(jié)構(gòu)。它旨在實(shí)現(xiàn)高性能、低延遲和裸機(jī) C ++ 應(yīng)用程序的研究。它提供了 torch.nn，torch.optim，torch.data 和 Python 前端的其他組件的對應(yīng)版本。以下是兩種語言前端的比較：

作為 PyTorch 1.0 的一部分，我們發(fā)布的是標(biāo)記有 “API Unstable” 的 C ++ 前端。這意味著它已準(zhǔn)備好用于你的研究應(yīng)用程序，但仍有一些不穩(wěn)定，我們將在接下來的幾個版本中穩(wěn)定下來。在此期間，API 的某些部分可能會發(fā)生大的更改。

Torch Hub

Torch Hub 是一個預(yù)訓(xùn)練的模型庫，旨在促進(jìn)研究的可重復(fù)性。

Torch Hub 支持使用簡單的 hubconf.py 文件將預(yù)訓(xùn)練的模型（模型定義和預(yù)訓(xùn)練的權(quán)重）發(fā)布到 github 存儲庫; 以 pytorch/vision 中的 resnet 模型為例，請參閱 hubconf for resnet models in pytorch/vision。

發(fā)布后，用戶可以使用 torch.hub.load API 加載預(yù)先訓(xùn)練的模型。更多詳細(xì)信息，請閱讀 torch.hub 文檔。

不斷增長的 PyTorch 社區(qū)

PyTorch 在 2017 年初首次推出，很快成為 AI 研究人員的熱門選擇。他們發(fā)現(xiàn)，由于其靈活、動態(tài)的編程環(huán)境和用戶友好的界面，PyTorch 是快速實(shí)驗(yàn)的理想選擇。從那時起，這個社區(qū)迅速發(fā)展起來。

PyTorch 現(xiàn)在是GitHub 上增長速度第二快的開源項(xiàng)目，在過去的 12 個月里，貢獻(xiàn)者增加了 2.8 倍。

此外，F(xiàn)acebook 提供了一系列教育項(xiàng)目，幫助開發(fā)人員更輕松地學(xué)習(xí)如何使用 PyTorch 構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型。

上個月，Udacity 和 Facebook 聯(lián)合推出一門新課程——PyTorch 深度學(xué)習(xí)入門 (Introduction to Deep Learning with PyTorch)，以及 PyTorch Challenge Program，該項(xiàng)目旨在為繼續(xù)接受 AI 教育提供獎學(xué)金。僅僅幾個星期，已經(jīng)有全球各地成千上萬的學(xué)生在網(wǎng)上積極學(xué)習(xí)。

所有人都可以通過 Udacity 網(wǎng)站免費(fèi)獲得完整的課程，更高級的 PyTorch 課程則將很快通過 Udacity 的 AI 納米學(xué)位提供。

除了在線教育課程，fast.ai 等組織還提供了一些軟件庫來支持開發(fā)人員學(xué)習(xí)如何使用 PyTorch 構(gòu)建神經(jīng)網(wǎng)絡(luò)。fastai 是一個簡化訓(xùn)練神經(jīng)網(wǎng)絡(luò)的庫，自從兩個月前發(fā)布以來，已經(jīng)在 GitHub 上獲得了 10000 顆星星。

我們非常高興看到開發(fā)人員使用這個庫取得的成功。例如，Santhosh Shetty 使用 fastai 將災(zāi)后損傷等級分類的準(zhǔn)確率提高了一倍；Alena Harley 將腫瘤正常測序的假陽性率降低了 7 倍；Jason Antic 創(chuàng)建了一個名為 DeOldify 的項(xiàng)目，使用深度學(xué)習(xí)對舊圖像進(jìn)行著色和恢復(fù)。

圖片由 Jason Antic 提供

PyTorch 已經(jīng)被應(yīng)用于從圖像識別到機(jī)器翻譯的各種用例。因此，我們看到來自開發(fā)者社區(qū)的各種各樣的項(xiàng)目，這些項(xiàng)目擴(kuò)展并支持了 PyTorch 開發(fā)。其中一些項(xiàng)目包括：

Horovod——一個分布式訓(xùn)練框架，它使開發(fā)人員可以輕松地使用單個 GPU 程序，并在多個 GPU 上快速進(jìn)行訓(xùn)練。

PyTorch Geometry——PyTorch 的幾何計算機(jī)視覺庫，提供一組例程和可微分模塊。

TensorBoardX—一個將 PyTorch 模型記錄到 TensorBoard 的模塊，允許開發(fā)人員使用可視化工具進(jìn)行模型訓(xùn)練。

此外，F(xiàn)acebook 的團(tuán)隊也在為 PyTorch 構(gòu)建和開源項(xiàng)目，比如 Translate，這是一個基于 Facebook 機(jī)器翻譯系統(tǒng)的用于訓(xùn)練 sequence-to-sequence 模型的庫。

支持各種云

為了使 PyTorch 更易于訪問和用戶友好，我們繼續(xù)深化與云平臺和服務(wù)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，允許開發(fā)人員在 PyTorch 中構(gòu)建機(jī)器學(xué)習(xí)模型，一次訓(xùn)練后即可部署到云或邊緣的任何地方，并且性能提高了兩倍。

開發(fā)人員現(xiàn)在還可以通過創(chuàng)建一個新的深度學(xué)習(xí) VM 實(shí)例，在谷歌云平臺上試用 PyTorch 1.0。

此外，微軟的 Azure 機(jī)器學(xué)習(xí)服務(wù)現(xiàn)在已經(jīng)普遍可用，它允許數(shù)據(jù)科學(xué)家在 Azure 上無縫地訓(xùn)練、管理和部署 PyTorch 模型。使用該服務(wù)的 Python SDK, PyTorch 開發(fā)人員可以利用按需分布式計算功能，用 PyTorch 1.0 大規(guī)模訓(xùn)練模型，以加速生產(chǎn)過程。