導(dǎo)讀

Pytorch1.8來啦！1.8版本中，官方終于加入了對(duì)AMD ROCm的支持，可以方便的在原生環(huán)境下運(yùn)行，不用去配置Docker了。 1.8版本中，官方終于加入了對(duì)AMD ROCm的支持，可以方便的在原生環(huán)境下運(yùn)行，不用去配置Docker了。

AMD ROCm只支持Linux操作系統(tǒng)

1.8版本集合了自2020年10月1.7發(fā)布以來的超過3000次GitHub提交。此外，本次更新還有諸多亮點(diǎn)：

優(yōu)化代碼，更新編譯器

Python內(nèi)函數(shù)轉(zhuǎn)換

增強(qiáng)分布式訓(xùn)練

新的移動(dòng)端教程與演示

新的性能檢測(cè)工具

相關(guān)的庫TorchCSPRNG, TorchVision, TorchText和TorchAudio也會(huì)隨之更新。要注意的是，自1.6起，Pytorch新特性將分為Stable、Beta、Prototype三種版本。其中Prototype不會(huì)包含到穩(wěn)定發(fā)行版中，需要從Nightly版本自行編譯。

Python to Python函數(shù)轉(zhuǎn)換

新增的Beta特性torch.fx可以實(shí)現(xiàn)Python到Python的函數(shù)轉(zhuǎn)換，可以方便的加入任何工作流程。新的API，向NumPy學(xué)習(xí)！

1.7版本中增加的Beta特性torch.fft已成為正式特性。實(shí)現(xiàn)了與Numpy中的np.fft類似的快速傅立葉變換，還增加了硬件加速支持與自動(dòng)求導(dǎo)，以更好的支持科學(xué)計(jì)算。還增加了Beta版NumPy風(fēng)格的線性代數(shù)模塊torch.linalg，支持Cholesky分解、行列式、特征值等功能。

增強(qiáng)分布式訓(xùn)練

增加了穩(wěn)定的異步錯(cuò)誤與超時(shí)處理，增加NCCL的可靠性。增加了Beta版的流水線并行功能*（Pipeline Parallelism）*，可將數(shù)據(jù)拆解成更小的塊以提高并行計(jì)算效率。

Pipeline Parallelism使用4個(gè)GPU時(shí)的工作示意圖

增加Beta版的DDP通訊鉤子，用于控制如何在workers之間同步梯度。

另外還有一些Prototype版的分布式訓(xùn)練新特性。

ZeroRedundancyOptimizer：用于減少所有參與進(jìn)程的內(nèi)存占用。

Process Group NCCL Send/Recv：讓用戶可在Python而不是C++上進(jìn)行集合運(yùn)算。

CUDA-support in RPC using TensorPipe：增加對(duì)N卡多卡運(yùn)算的效率。

Remote Module：讓用戶像操作本地模塊一樣操作遠(yuǎn)程模塊。

移動(dòng)端新教程

隨本次更新發(fā)布了圖像分割模型DeepLabV3在安卓和IOS上的詳細(xì)教程。以及圖像分割、目標(biāo)檢測(cè)、神經(jīng)機(jī)器翻譯等在安卓和IOS上的演示程序，方便大家更快上手。 另外還有PyTorch Mobile Lite Interpreter解釋器，可以減少運(yùn)行時(shí)文件的大小。

性能檢測(cè)工具

增加Beta版的Benchmark utils，用戶可以進(jìn)行精確的性能測(cè)試。以及Prototype版的FX Graph Mode Quantization，實(shí)現(xiàn)了量化過程的自動(dòng)化。更多新版本詳情，見下方鏈接。

編輯：jq