1.0 PyTorch同时面向产品化AI和突破性研究的发展,“我们在PyTorch2.0发布前解决了几大问题,包括可重,用性能,编程语言和可扩展性。”Facebook人工智能副总裁杰罗姆Pesenti曾在PyTorch开发者大会上表示。
随着PyTorch生态系统及社区中有趣新项目及面向开发者的教育资源不断增加,今天Facebook在NeurIPS大会上发布了PyTorch 1.0稳定版,该版本具备生产导向的功能,同时还可以获得主流云平台的支持。
现在,研究人员及工程师可以轻松利用这一开源深度学习框架的新功能,包括可在急切的执行和图执行模式之间无缝转换的混合前端,改进的分布式训练,用于高性能研究的纯c++前端,以及与云平台的深度集成。
1.0 PyTorch将加速AI从原型到生产部署的工作流程,并使这一进程更加容易开始。仅仅在过去的几个月里,就不断有人通过广泛普及的新教学课程上手PyTorch,一些专家还构建了创新型项目,将这一框架扩展到从自然语言处理到概率编程的多个领域。
<强>不断壮大的PyTorch社区
PyTorch于2017年初首发,之后迅速成为AI研究者广泛使用的框架.PyTorch灵活,动态的编程环境及对用户友好的界面使其非常适用于快速实验。其社区的迅速壮大有目共睹。如今,PyTorch已经成为GitHub上增长第二快的开源项目,在过去的12个月里贡献者增加了1.8倍。
为对社区做出回馈,Facebook将继续提供简单易学的教育课程,通过这些课程帮助开发者掌握用PyTorch创建,训练及部署机器学习模型的技巧。
<>强教育课程将AI开发者凝聚在一起
去年,Udacity和Facebook上线了一门新课程《深度学习与PyTorch概论》和PyTorch挑战赛(PyTorch挑战程序),它为持续AI教育提供奖学金。在课程发布后的短短几周内,数万学生积极参与该在线项目。此外,该教育课程开始通过现实世界的会面(航空器)使开发者社区变得更有凝聚力,这种见面在全世界展开,从英国到印度尼西亚都有这样的开发者聚会。
完整课程可在Udacity网站上免费获取,之后开发者可以在更高级的AI纳米学位项目中继续PyTorch学习。
除了在线教育课程,快。人工智能等组织还提供过软件库,支持开发者学习如何使用PyTorch构建神经网络.fastai库(简化了训练快速,准确的神经网络的流程)在发布两个月后即在GitHub获得10000星。
<强>新项目拓展PyTorch
PyTorch已被应用到从图像识别到机器翻译的多个用例中,因此可以看到开发者社区各种项目对PyTorch开发的拓展和支持。其中一些项目有:
-
<李> Horovod:分布式训练框架,让开发人员可以轻松地使用单个GPU程序,并快速在多个GPU上训练。
<李> PyTorch几何:PyTorch的几何计算机视觉库,提供一组路径和可区分的模块。
<李> TensorBoardX:一个将PyTorch模型记录到TensorBoard的模块,允许开发者使用可视化工具训练模型。
此外,Facebook内部团队还构建并开源了多个PyTorch项目,如翻译(用于训练基于Facebook机器翻译系统的序列到序列模型的库)。对于想要快速启动特定领域研究的AI开发者来说,PyTorch支持项目的生态系统使他们能够轻松了解行业前沿研究。希望随着PyTorch不断发展,社区能够出现更多新的项目。
<强>从云端启动
为了使PyTorch更加易于获取且对用户友好,PyTorch团队继续深化与云平台和云服务的合作,如AWS,谷歌云平台,微软Azure。最近,AWS上线了亚马逊SageMaker Neo,支持PyTorch,允许开发者使用PyTorch构建机器学习模型,训练模型,然后将它们部署在云端或边缘设备,且性能提升高达2倍。开发者现在可以在谷歌云平台上创建一个新的深度学习虚拟机实例来尝试使用。
此外,微软Azure机器学习服务现在也可以广泛使用了,它允许数据科学家在Azure上无缝训练,管理和部署PyTorch模型。使用Azure服务的Python SDK, Python开发者可以利用所需的分布式计算能力,使用PyTorch 1.0规模化训练模型,并加速从训练到生产的过程。
AI开发者可通过云服务或本地安装来轻松使用PyTorch 1.0,并遵循PyTorch官网上更新版分步教程执行任务,比如使用混合前端部署序列到序列模型,训练简单的chatbot等等.PyTorch 1.0版本说明参见PyTorch GitHub: https://github.com/pytorch/pytorch/releases。
<强>总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对的支持。如果你想了解更多相关内容请查看下面相关链接
