年度最大更新!PyTorch 0.4:完全改变API,官方支持Windows

2018 年 4 月 25 日 新智元





  新智元报道  

来源:Pytorch 官网


【新智元导读】今天,PyTorch官方在GitHub发布0.4.0版本,最重要的改进是支持Windows系统。新版本完全改变了API,是本年度最重大的升级。



TensorFlow依旧有王者荣耀,但PyTorch虎视眈眈。


今天,PyTorch官方在GitHub发布0.4.0版本,最重要的改进是支持Windows系统。


PyTorch是在2017年1月由Facebook推出的。它是经典机器学习库Torch框架的一个端口,Torch二进制文件包装于GPU加速的Python。


除了GPU加速和内存使用的高效外,PyTorch受欢迎的主要因素是动态计算图的使用。已经有其他一些不太知名的深度学习框架使用动态计算图,例如Chainer。


动态图的优点在于,图(graph)是由run定义(“define by run”),而不是传统的“define and run”。特别是,在输入可以变化的情况下,例如文本这样的非结构化数据,这非常有用而且高效。

图:PyTorch动态计算图 - 来源:http://pytorch.org/about/



以下为更新内容目录:


  • 主要核心变更

Tensor/Variable合并

零维张量

dtypes

迁移指南


  • 新功能

  • 张量

全面支持高级索引

快速傅立叶变换

  • 神经网络

权衡内存计算

bottleneck - 一个在你的代码中识别hotspots的工具

  • torch.distributions

24个基本概率分布

增加了cdf,方差,熵,困惑度(perplexity)等。

  • 分布式训练

易于使用的Launcher utility

NCCL2后端

  • C ++扩展

  • Windows支持

  • ONNX改进

RNN支持

  • 性能改进

  • Bug修复


主要核心变化


以下是用户每天使用的最重要的核心功能的更新。


主要变化和潜在的重要更新:

  • Tensors 和 Variables 已经合并

  • 有些操作会返回0维(标量)Tensors

  • 弃用了 volatile flag


改进:

  • 添加了 dtypesdevices 和 Numpy 风格的 Tensor 创建函数

  • 支持编写与device无关的代码


PyTorch团队编写了一个迁移指南,帮助用户将代码转换为新的API和style。 如果您想要迁移以前版本的PyTorch中的代码。


迁移指南:http://pytorch.org/2018/04/22/0_4_0-migration-guide.html


本部分的内容(主要核心变更)包含在迁移指南中。


合并 Tensor 和 Variable 类


torch.autograd.Variable 和 torch.Tensor 现在是同一类。更确切地说,torch.Tensor 能够跟踪历史并像旧的 Variable 一样运行;Variable 的换行继续像以前一样工作,但返回的对象类型变成 torch.Tensor。这意味着你不再需要将代码中的任何 Variable wrapper。


Tensor 的 type( ) 已经改变


还要注意 Tensor 的 type( ) 不再反映数据类型。使用isinstance() x.type()来代替:



Windows支持


PyTorch现在正式支持Windows!我们为Python 3.5和3.6提供预编译的Conda二进制文件和pip wheels。Windows上的PyTorch不支持分布式训练,可能比Linux / OSX慢一点,因为Visual Studio支持较早版本的OpenMP。


与往常一样,你可以使用http://pytorch.org上的命令在Windows上安装PyTorch。


这里有一个常见问题解答,可以解答你在Windows上可能遇到的大多数问题:http://pytorch.org/docs/stable/notes/windows.html



更多细节,请参考PyTorch的GitHub页面:https://github.com/pytorch/pytorch/releases/tag/v0.4.0



登录查看更多
0

相关内容

Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
【干货书】流畅Python,766页pdf,中英文版
专知会员服务
224+阅读 · 2020年3月22日
《代码整洁之道》:5大基本要点
专知会员服务
49+阅读 · 2020年3月3日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
PyTorch 1.0 稳定版正式发布!
新智元
3+阅读 · 2018年12月8日
PyTorch 1.0尝鲜版,这些改进你需要注意
专知
4+阅读 · 2018年10月3日
PyTorch 重大更新,0.4.0 版本支持 Windows 系统
AI研习社
3+阅读 · 2018年4月25日
重磅 | PyTorch 0.4.0和官方升级指南来了!
AI前线
3+阅读 · 2018年4月25日
开发 | PyTorch重大更新,0.4.0版本支持Windows系统
AI科技评论
7+阅读 · 2018年4月25日
发布TensorFlow 1.4
谷歌开发者
7+阅读 · 2017年11月23日
手把手教你由TensorFlow上手PyTorch(附代码)
数据派THU
5+阅读 · 2017年10月1日
教程 | 如何从TensorFlow转入PyTorch
深度学习世界
38+阅读 · 2017年9月30日
Equalization Loss for Long-Tailed Object Recognition
Arxiv
5+阅读 · 2020年4月14日
Rapid Customization for Event Extraction
Arxiv
7+阅读 · 2018年9月20日
Arxiv
7+阅读 · 2017年12月28日
Arxiv
3+阅读 · 2012年11月20日
VIP会员
相关VIP内容
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
【干货书】流畅Python,766页pdf,中英文版
专知会员服务
224+阅读 · 2020年3月22日
《代码整洁之道》:5大基本要点
专知会员服务
49+阅读 · 2020年3月3日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
相关资讯
PyTorch 1.0 稳定版正式发布!
新智元
3+阅读 · 2018年12月8日
PyTorch 1.0尝鲜版,这些改进你需要注意
专知
4+阅读 · 2018年10月3日
PyTorch 重大更新,0.4.0 版本支持 Windows 系统
AI研习社
3+阅读 · 2018年4月25日
重磅 | PyTorch 0.4.0和官方升级指南来了!
AI前线
3+阅读 · 2018年4月25日
开发 | PyTorch重大更新,0.4.0版本支持Windows系统
AI科技评论
7+阅读 · 2018年4月25日
发布TensorFlow 1.4
谷歌开发者
7+阅读 · 2017年11月23日
手把手教你由TensorFlow上手PyTorch(附代码)
数据派THU
5+阅读 · 2017年10月1日
教程 | 如何从TensorFlow转入PyTorch
深度学习世界
38+阅读 · 2017年9月30日
Top
微信扫码咨询专知VIP会员