势头强劲： PyTorch周年大事记盘点- 专知

势头强劲： PyTorch周年大事记盘点

【导读】 1月19日，PyTorch团队对PyTorch发布一年来的成长轨迹做了总结。在过去一年里，PyTorch资源包的下载量超50万次、PyTorch频频出现在各种会议中。然后强调了，PyTorch社区的众多成员对PyTorch做了很多贡献，使其变得更好用、更强大。最后推荐了出官方文档之外，一些好用PyTorch教程和书籍。PyTorch作为当前python深度学习的流行框架，在过去一年了展现了强大的生命力和前景，本文对PyTorch做了很全面的总结，值得所有深度学习从业者和研究人员深入了解！

专知公众号以前推出PyTorch手把手系列教程：

PyTorch的过往一年

到今天PyTorch公开发布已经有一年了。这是一个疯狂的过程，我们一直在追求建立一个灵活的深度学习研究平台。在过去的一年中，我们看到了一群非常棒的人使用，贡献和传播PyTorch - 感谢你的爱。

回首过去，我们从在过去一年里总结PyTorch：来自社区的进展，新闻和亮点。

社区

我们给予这个强大社区中爱上pytorch的研究人员和工程师最好的祝福。核心团队拥有来自多个国家，公司和大学的工程师和研究人员，如果没有他们的贡献，我们不可能使PyTorch成为事实。

研究论文，软件包和Github

发布后的几天内，社区用户开始在PyTorch中实现他们最喜爱的研究论文，并且在Github上发布相关代码。开源代码是目前研究人员使用的主要工具。

人们通过网络聚集在一起创造torchtext，torchvision和torchaudio包，从而帮助促进不同领域上的研究。

第一个基于PyTorch的社区软件包来自Brandon Amos，其标题为“块” （Block），这个软件包功能在于更容易地处理块矩阵（Block matrix）。 CMU的Locus实验室随后发布了PyTorch软件包，里面包含了他们大部分研究的实现。 Zagoruyko的Paying more attention to attention.是第一个研究论文代码。

Jun-Yan Zhu, Taesung Park, Phillip Isola, Alyosha Efros和来自伯克利的团队发布了非常受欢迎的Cycle-GAN和pix2pix，其功能在于对图像进行图像转换。

来自HarvardNLP和Systran的研究人员开始开发和改进PyTorch中的OpenNMT，来源于Facebook上重新实现了来自Adam Lerer的[Lua] Torch代码。

来自Twitter上的MagicPony团队基于PyTorch的例子中提供了他们超分辨率恢复的实现。

Salesforce Research发布了多个软件包，其中包括PyTorch-QRNN，这是一种RNN，比由CuDNN优化的标准LSTM快2到17倍。詹姆斯·布拉德伯里（James Bradbury）和团队是PyTorch社区中最活跃和最有魅力的部队之一。

Uber，Northeastern和Stanford的研究人员聚集在一起，围绕着Pyro和ProbTorch建成了一个活跃的概率编程社区。他们正在积极开发torch.distributions核心程序包。这个社区十分活跃并且在快速发展，我们在NIPS 2017上与Fritz Obermeyer，Noah Goodman，Jan-Willem van de Meent，Brooks Paige，Dustin Tran以及另外22位与会者进行了第一次碰面，并且讨论如何让这个世界贝叶斯化。

NVIDIA研究人员发布了三个高质量的存储库，这些库实现了pix2pix-HD，Sentiment Neuron和FlowNet2论文。他们的PyTorch中不同数据并行模型的可伸缩性的分析工作对于社区是有帮助的。

Allen Allen研究所发布了AllenNLP，其中包括NLP中的几种最先进的模型 - 参考实现和用于标准NLP任务易于使用的Web演示。

去年七月，Kaggle的获胜队grt123，他们在肺癌检测的工作赢得DataScience Bowl 2017，随后发布了他们的PyTorch实现。

在可视化领域，Tzu-Wei Huang实现了一个TensorBoard-PyTorch插件，并且Facebook AI Research发布了visdom可视化包PyTorch兼容版本。

最后，Facebook AI Research发布了几个项目，如ParlAI，fairseq-py，VoiceLoop和FaderNetworks，这些项目实现了多领域的顶尖模型和接口数据集。

我们也对那些在论坛上积极帮助别人的人们给予感谢，特别是ptrblck，jpeg729，QuantScientist，albanD，tom和chenyuntc。您提供了非常宝贵的服务，非常感谢！

数据

就纯粹的数字而言，

github上的87,769行Python代码导入了torch

Github上的3,983个资源库在它们的名字或者描述中提及到PyTorch

PyTorch二进制文件下载超过50万次，准确来说是 651,916次。

5,400名用户撰写了21,500篇文章，这些文章中涉及到5,200个话题：

自发布之日起，在Reddit的/ r / machinelearning上PyTorch被提及了131次。在同一时期，TensorFlow被提及255次。

研究数据

PyTorch是一个以研究为中心的框架。所以感兴趣的指标之一就是在机器学习研究论文中PyTorch使用量。

在最近的ICLR2018会议上，PyTorch在87篇论文中被提到，而TensorFlow在228篇论文中被提到，Keras在42篇论文中被提到，Theano和Matlab在32篇论文中被提到。

每月arxiv.org提到的框架中，PyTorch为72次，TensorFlow为273次，Keras为100次，Caffe为94次，Theano为53次。

课程，教程和书籍

当我们发布PyTorch时，我们有很好的API文档，但是我们的教程仅限于几个ipython笔记本 -，这些笔记虽然很有帮助，但还不够好。

Sasank Chilamkurthy自己将教程网站修改的更加漂亮。

Sean Robertson和Justin Johnson在NLP上写了很棒的新教程，通过实例进行讲解。 Yunjey Choi写了一个漂亮的教程，大多数模型在30行以内实现。每个新的教程采用不同的学习方法，最终帮助用户更快地找到方法。

Goku Mohandas和Delip Rao将他们正在编写的书的代码内容切换到PyTorch框架。

我们已经看到不少大学的机器学习课程被PyTorch教为主要工具，如哈佛大学的CS287。我们有三个在线课程弹出教导使用PyTorch。

Fast.ai的“Deep Learning for Coders”是一个流行的在线课程。去年9月，Jeremy和Rachel宣布下一个fast.ai课程将几乎完全基于PyTorch。

新加坡国立大学和清华大学兼职研究员Ritchie Ng发布了一个名为PyTorch实用深度学习的Udemy课程。

香港科技大学的Sung Kim在Youtube上发布了一个针对普通观众的在线课程，名为“PyTorch Zero to All”。

工程项目

在过去的一年里，我们实现了多种功能，全面提高了性能，并修复了大量的错误。我们所做的工作的完整列表可以在我们的发行说明中找到。以下是去年我们工作的重点：

高阶梯度

随着一些采用梯度处罚的论文的发表以及二阶梯度方法的不断研究，这是一个重要且受欢迎的特征。在8月份，我们实现了一个可以采用n阶导数的广义接口，并且随着时间的推移增加了支持高阶梯度的函数的覆盖范围，因此几乎所有的操作都支持这个接口。

分布式PyTorch

8月份，我们发布了一个小型的分布式软件包，采用了非常受欢迎的MPI集体方法。该软件包有多个后端，例如TCP，MPI，Gloo和NCCL2，从而支持各种类型的CPU / GPU集合操作和用例，并集成了Infiniband和RoCE等分布式技术。分布式是很难的，我们在最初的迭代中有错误。在随后的发布中，我们使这个软件包更加稳定，性能也得到了提升

接近NumPy

用户最大的需求之一就是他们熟悉的NumPy功能。诸如广播和高级索引之类的功能是方便的，并且为用户节省了大量的冗长。我们实现了这些功能，并开始调整我们的API以更接近NumPy。随着时间的推移，我们希望在适当的适当的地方能够采用越来越接近NumPy的API。

稀疏张量

今年3月，我们发布了一个支持稀疏张量的小包，5月份我们发布了对这个稀疏包的CUDA支持。该包体积小，功能有限，用于实现稀疏嵌入和深度学习中常用的稀疏范式。这个软件包的规模还很小，并且需要扩展它 - 如果你有兴趣扩展这个稀疏软件包，请在讨论版上联系我们

性能

性能始终是一场持续的战斗，对想将灵活性最大化的动态框架PyTorch来说更是如此。在过去的一年里，PyTorch改进了从核心的张量库到神经网络operator的性能，能在board上快速编写微优化。

我们为张量操作添加了专门的AVX和AVX2内在函数

为频繁的工作负载（如串联和Softmax）编写更快的GPU内核（包括许多其他功能）

重写了几个神经网络算子的代码，但值得注意的是nn.Embedding和组卷积。

跨板减少10倍的框架开销

由于PyTorch是一个动态图形框架，我们在训练循环的每一次迭代中动态创建一个新图形。因此，框架开销必须很低，或者工作负载必须足够大，以至于可以隐藏框架开销。在八月份，DyNet（Graham Neubig和他的团队）的作者表示，它比PyTorch在小型NLP模型上快得多。这是一个有趣的挑战，我们没有意识到这些尺寸的模型正在被训练。在为期数月（持续）的努力中，我们着手对PyTorch内部进行重大改写，将每个运营商执行时间超过10微秒的框架开销降低到1微秒。

ATen

重新设计PyTorch内部时，我们构建了现在支持所有PyTorch后端的ATen C ++ 11库。 ATen拥有一个反映PyTorch Python API的API，这使得它成为一个便捷的用于张量计算的C ++库。 ATen可以独立于PyTorch来构建和使用。