AI 科技評論消息，NeurIPS 正在加拿大召開，會上，F(xiàn)acebook 宣布正式推出 PyTorch 1.0 穩(wěn)定版，在 Facebook code 博客上，也一并同步了這一消息。雷鋒網(wǎng) AI 科技評論將內(nèi)容編譯如下：
隨著 PyTorch 生態(tài)系統(tǒng)和社群的不斷發(fā)展，供開發(fā)者使用的有意思的新項目和教育資源越來越多，在 NeurIPS 2018 上，F(xiàn)acebook 發(fā)布 PyTorch 1.0 穩(wěn)定版。在 10 月的 PyTorch 開發(fā)者大會上發(fā)布的是最新預覽版，具有面向產(chǎn)品的特征、支持幾大主流云平臺等功能。
研究人員和工程師現(xiàn)在可以輕松地充分利用開源深度學習框架的新特性，如用于在 eager 執(zhí)行模式和 graph 執(zhí)行模式之間無縫轉換的混合前端、改進的分布式訓練、用于高性能研究的純 C++ 前端以及與云平臺的深度集成。
PyTorch 1.0 加快了 AI 從研究原型開發(fā)到生產(chǎn)部署的工作流程，使這一流程變得更加簡單、更容易開始。就在過去的幾個月里，我們看到初學者通過新的、豐富的教育項目越來越多地使用 PyTorch，專家們構建出創(chuàng)新的項目，將這一框架從自然語言處理擴展到概率編程等各個領域。
持續(xù)增長的 PyTorch 社群
PyTorch 在 2017 年年初推出，很快便成為人工智能研究人員的熱門選擇，他們發(fā)現(xiàn)，其靈活、動態(tài)的編程環(huán)境和用戶友好的界面是快速實驗的理想之選。從那時起，我們看到 PyTorch 社群迅速發(fā)展。PyTorch 現(xiàn)在是 GitHub 上增長第二快的開源項目（https://octoverse.github.com/projects），在過去的一年里，PyTorch 社區(qū)的貢獻者增加了 2.8 倍。
非常開心能有以上成長，也非常感謝 PyTorch 社群，感謝所有為代碼庫做出貢獻、提供指導和反饋并使用該框架構建前沿項目的人。我們希望繼續(xù)保障開發(fā)人員能夠更容易地通過新的教育計劃學習如何使用 PyTorch 構建、訓練和部署機器學習模型。
教育課程讓 AI 開發(fā)者聯(lián)系更緊密
上個月，Udacity 和 Facebook 推出了一門新課程——PyTorch 深度學習入門（Introduction to Deep Learning with PyTorch），同樣還推出了 PyTorch 挑戰(zhàn)賽，為持續(xù)的 AI 教育提供獎金。在最初的幾個星期里，已經(jīng)有成千上萬的學生在網(wǎng)上積極學習了。更重要的是，這些教育課程拉近了開發(fā)人員之間的距離，從英國到印度尼西亞，我們看到全球范圍內(nèi)的開發(fā)者自發(fā)地開始線下聚會。
所有人都可以在 Udacity 上免費獲取完整課程，開發(fā)人員很快就可以在更高級的 AI Nanodegree 課程中繼續(xù) PyTorch 教育。
除了在線教育課程，例如 fast.ai 等組織也提供一些軟件庫來支持開發(fā)人員學習如何利用 PyTorch 構建神經(jīng)網(wǎng)絡。fastai 是一個讓神經(jīng)網(wǎng)絡的訓練更加快速和準確的庫，自兩個月前發(fā)布以來，它已經(jīng)在 GitHub 上獲得了 1 萬顆 star。
開發(fā)人員們已經(jīng)利用這個庫做出了一系列成果。例如，Santhosh Shetty 使用 fastai 將災后損傷等級分類的準確率提高了一倍；與傳統(tǒng)方法相比，Alena Harley 將腫瘤常規(guī)測序的假陽性率降低了 7 倍；Jason Antic 創(chuàng)建了一個名為 DeOldify 的項目，該項目利用深度學習對舊圖像進行著色和修復。
圖像著色與修復
一些對 PyTorch 進行擴展的新項目
PyTorch 已經(jīng)被用在圖像識別、機器翻譯等多個領域，我們看到了開發(fā)人員社群對這一框架的不斷擴展和支持，例如:
Horovod—分布式訓練框架，開發(fā)人員可以輕松地在單 GPU 或多個 GPU 上進行訓練。
PyTorch Geometry ——提供了一組程序和可微分模塊的幾何計算機視覺庫。
TensorBoardX——將 PyTorch 模型記錄到 TensorBoard 的模塊，允許開發(fā)人員在訓練模型時使用可視化工具。
此外，F(xiàn)acebook 團隊還在不斷構建和開源 PyTorch 項目，例如 Translate，這是一個基于 Facebook 機器翻譯系統(tǒng)的進行序列到序列模型訓練的庫。
對于那些希望在特定領域迅速開展工作的 AI 開發(fā)者來說，PyTorch 的生態(tài)系統(tǒng)為他們提供了獲取行業(yè)最新前沿研究的便捷途徑 (可以關注 @PyTorch 了解最新進展)。隨著 PyTorch 的不斷發(fā)展，我們期待著從社區(qū)中發(fā)現(xiàn)新的項目。
從云端開始
為了使 PyTorch 更易于使用，對用戶更加友好，我們繼續(xù)深化了與云平臺和服務的合作，例如 Amazon Web services、Google Cloud Platform 和 Microsoft Azure。就在最近，AWS 推出了支持 PyTorch 的 Amazon SageMaker Neo，允許開發(fā)人員在 PyTorch 中構建機器學習模型，只需一次訓練，就可以部署到云或端的任何地方，在性能上提升兩倍。開發(fā)人員現(xiàn)在還可以通過創(chuàng)建一個新的深度學習 VM 實例，在谷歌云平臺上使用 PyTorch 1.0。
此外，微軟 Azure 機器學習服務現(xiàn)在已經(jīng)廣泛可用了，它允許數(shù)據(jù)科學家在 Azure 上無縫訓練、管理和部署 PyTorch 模型。使用該服務的 Python SDK, PyTorch 開發(fā)人員可以利用按需分布式計算功能，用 PyTorch 1.0 大規(guī)模訓練模型，加速生產(chǎn)過程。
AI 開發(fā)人員可以通過云合作伙伴或本地安裝輕松地開始使用 PyTorch 1.0，并在 PyTorch 網(wǎng)站上按照逐步更新的教程完成任務，例如使用混合前端部署序列到序列模型、訓練一個簡單的聊天機器人等等。大家可以在 PyTorch GitHub 上看到更新文檔。
via：https://code.fb.com/
雷鋒網(wǎng) AI 科技評論編譯整理。
