PyTorch 1.4最新版放出：支持Python2的最后一版，支持分布式模型并行、Java程序、移动端等多项新功能 机器之心报道 参与：一鸣、Jamin 继 TensorFlow 更新后，PyTorch 也迎来了最新的 1.4 版。本次更新是最后一个支持 Python2 的版本，同时增加了对分布式模型并行、移动端、Java 程序等方面的支持。 紧接着 TensorFlow 更新到 2.1 版之后，PyTorch 在今天也更新到了 1.4 版本。 本次更新的重点是增加了很多重要的新特性，包括给用户提供 Build 级别的移动端定制化支持、增加分布式模型并行训练、让 Java 程序能够运行 TorchScript 等。此外还有 JIT、C++、分布式训练、Eager 前端、PyTorch Mobile 等方面的功能改进和 Bug 修复。 值得注意的是，本次 PyTorch 更新是最后一个支持 Python2 的版本，同时也是最后一个支持 C++11 的版本。官方提示说，用户应当开始迁移到 Python3，并使用 C++14 开始编译工作。对于其他详细信息，感兴趣的读者可以查阅更新文档。 更新文档：https://github.com/pytorch/pytorch/releases 增加多项新特性 在本次版本更新中，PyTorch 最大的变化在于增加了多项新的特性，无疑让 PyTorch 变得更好用了。 支持分布式模型并行训练 1.4 版最大的亮点在于对分布式模型并行训练增加了支持。官方表示，随着 RoBERTa 等万亿级别参数的大型模型出现，人们越来越需要模型并行训练了。因此本次版本会提供一个分布式 RPC（Romote Procedure Call）框架。这一框架可以远程运行函数，在不复制真实数据的情况下查询远程对象。此外 PyTorch 还提供了 autograd 和优化器 API，能够透明地运行后端并跨 RPC 边界更新参数。 相对应的，PyTorch 引入了名为 torch.distributed.rpc 的库。这是一个有基本构建单元的代码库，用于构建能够在模型训练和推断时远程运行的函数。具体来说，这一个库有四个主要部分：RPC、Remote Reference、Distributed Autograd 和 Distributed Optimizer。使用方法可参考官方文档。 为 PyTorch Mobile 提供 Build 级别的支持 在 1.3 中实验性地推出了 Pytorch Mobile 之后，本次版本更新增加了更多对移动端的支持，如 fine-grain 级别的定制化构建脚本。这可以让移动端开发者优化代码库的大小，只包括他们的模型所使用的算子。同时，在运行过程中显著减少对设备空间的占用。早期的结果说明，一个定制化的 MobileNetV2 比 PyTorch 的移动端库构建出来的要小 40% 到 50%。 对 Java binding 的支持 除了对 Python 和 C++的支持以外，本次更新增加了对 Java binding 的实验性支持。基于在 PyTorch Mobile 中对安卓开发的交互界面，用户可以从任何 Java 程序中调用 TorchScript 模型。当然，在本次更新中，Java binding 只在 Linux 版本上存在，且只能进行模型推理。官方将会在后续更新中扩展支持。 torch.optim 更新 除了以上三个重要特性外，还有一个新的小特性值得注意。torch.optim.lr_scheduler 现已支持「链式更新（chaining）」。即用户可以定义两个 schedulers，并交替在训练中使用。 具体代码如下： importtorch fromtorch.optimimportSGD fromtorch.optim.lr_schedulerimportExponentialLR,StepLR model=[torch.nn.Parameter(torch.randn(2,2,requires_grad=True))] optimizer=SGD(model,0.1) scheduler1=ExponentialLR(optimizer,gamma=0.9) scheduler2=StepLR(optimizer,step_size=3,gamma=0.1) forepochinrange(4): print(epoch,scheduler2.get_last_lr()[0]) optimizer.step() scheduler1.step() scheduler2.step() 00.1 10.09000000000000001 20.08100000000000002 30.00729000000000002 40.00656100000000002 其他的新特性更新包括对分布式、JIT 等方面的更新。 功能改进和 Bug 修复 在改进方面值得注意的是对 C++的多项 API 进行了更新和调整，此外还有对 JIT、ONNX 的改进，以及 AMD 硬件的支持等。另外，nn.GELU 正式成为了激活函数的一种。 C++更新的 API 包括： Torch::nn modules：包括卷积层、池化层、损失层、归一化层、激活层、Dropout 层、嵌入层等。 Torch::nn::functional functions：包括卷积、池化、损失、归一化、相似度等方面的函数。 在改进之余，PyTorch 1.4 还修复了大约 30 个 Bug，涵盖 CUDA、损失函数、卷积、嵌入等多个方面的代码。 机器之心「SOTA模型」：22大领域、127个任务，机器学习 SOTA 研究一网打尽。 点击阅读原文，立即访问。 阅读原文