资讯评论 - PyTorch 1.3 发布 - OSCHINA - 中文开源技术交流社区

PyTorch 1.3 已经发布了，新的版本不仅能支持 Android/iOS 移动端部署，甚至还能让用户去对手 Google 的 Colab 上调用云 TPU。此外还有一大波新工具，涉及可解释性、加密、以及关于图像语音的诸多功能。PyTorch 1.3 带来了三个实验性的新功能：

命名张量

允许用户给张量维度命名，从而让张量更易用，这样就可以直接喊他们的名字，不用根据位置来跟踪张量维度。

升级之前，你需要在代码里写注释来给张量命名：

# Tensor[N, C, H, W]
 images = torch.randn(32, 3, 56, 56)
 images.sum(dim=1)
 images.select(dim=1, index=0)

升级之后，就直接能在代码里写了，这样可读性大大提高：

NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
   images = torch.randn(32, 3, 56, 56, names=NCHW)
   images.sum('C')
   images.select('C', index=0)

另外，这项功能还能自动检查 API 是否被正确的使用，提升了安全性，还可以直接用名字来重新排列尺寸。

量化支持

开发 ML 应用程序时，有效利用服务器端和设备上的计算资源非常重要。

为了支持在服务器和边缘设备上进行更有效的部署，PyTorch 1.3 现在支持用 eager 模式进行 8 位模型量化。所谓量化，是指降低精度执行计算和存储的技术。

当前处于实验性的量化功能包括对后训练量化（post-training quantization）、动态量化（dynamic quantization）和量化感知训练（quantization-aware training）的支持。它分别利用了 x86 和 ARM CPU 的 FBGEMM 和 QNNPACK 最新的量化内核后端，这些后端与 PyTorch 集成在一起，并且现在共享一个通用 API。

移动端

另外，为了在边缘设备上高效的运行机器学习，PyTorch 1.3 支持端到端的工作流，从 Python 到部署在 iOS 和安卓端。

当然，这个功能还是早期实验版本，针对端到端做了优化，新版本重点在：

大小优化，根据用户需要构建级别优化和选择性编译。
提升了移动 CPU 和 GPU 上的性能。
高级 API：扩展移动原生 API，覆盖常用预处理、将机器学习合并到移动应用需要的集成任务，比如计算机视觉或者 NLP 的任务。

新工具

可解释性工具 Captum：Captum 可以帮助使用 PyTorch 的开发者了解为什么他们的模型生成某个特定输出。Captum 提供了先进的工具来理解特定神经元和层如何影响模型做出的预测。下面的案例展示了如何在预训练的ResNet模型上应用模型可解释性算法，然后通过将每个像素的属性叠加在图像上，使其可视化：

noise_tunnel = NoiseTunnel(integrated_gradients)

attributions_ig_nt, delta = noise_tunnel.attribute(input, n_samples=10, nt_type='smoothgrad_sq', target=pred_label_idx)
_ = viz.visualize_image_attr_multiple(["original_image", "heat_map"],
                                      ["all", "positive"],
                                      np.transpose(attributions_ig_nt.squeeze().cpu().detach().numpy(), (1,2,0)),
                                      np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)),
                                      cmap=default_cmap,
                                      show_colorbar=True)

加密工具 Cryp Ten：这是一个新的基于社区的研究平台，用于推动隐私保护 ML 领域的发展。

多模 AI 系统工具

Detectron2：Detectron2 是在 PyTorch 中实现的目标检测库。它以增强的灵活性帮助计算机视觉研究，并改善可维护性和可伸缩性，以支持在生产中的用
Fairseq 的语音扩展：语言翻译和音频处理是系统和应用程序（例如搜索，翻译，语音和助手）中的关键组件。由于变压器等新架构的发展以及大规模的预训练方法的发展，最近在这些领域取得了巨大的进步。

云端支持

谷歌云 TPU：在 Facebook、Google 和 Salesforce 的工程师共同努力下，新版的 PyTorch 加入对了云 TPU 支持，包括对超级计算机云 TPU Pods 的实验性支持。谷歌 Colab 还提供了对云 TPU 的 PyTorch 支持。
阿里云：阿里云的集成涉及 PyTorch 1.x 的一键式解决方案，数据科学 Workshop notebook 服务，使用 Gloo/NCCL 进行的分布式训练，以及与阿里巴巴 IaaS（如 OSS、ODPS 和 NAS）的无缝集成。
硬件生态扩展：除了主要的 GPU 和 CPU 合作伙伴之外，PyTorch 生态系统还支持专用的机器学习加速器。比如英特尔不久前推出的 NNP-I 推理芯片、Habana Labs 的 AI 处理器

参考：量子位