Поскольку экосистема и сообщество PyTorch продолжают расти благодаря новым интересным проектам и образовательным ресурсам для разработчиков, сегодня на конференции NeurIPS мы выпускаем стабильную версию PyTorch 1.0 — последнюю версию, которая впервые была опубликована в предварительной версии. выпуск во время конференции разработчиков PyTorch в октябре, включает в себя такие возможности, как функции, ориентированные на производство, и поддержку основных облачных платформ.
Исследователи и инженеры теперь могут легко воспользоваться всеми преимуществами новых функций платформы глубокого обучения с открытым исходным кодом, включая гибридный внешний интерфейс для плавного перехода между режимами выполнения с ожиданием и графиком, обновленное распределенное обучение, интерфейс на чистом C++ для высокопроизводительных исследований и глубокая интеграция с облачными платформами.
PyTorch 1.0 ускоряет рабочий процесс, связанный с переходом ИИ от исследовательского прототипа к производственному развертыванию, и делает его более простым и доступным для начала работы.Всего за последние несколько месяцев мы видели, как новички быстро осваивают PyTorch через новые, широко доступные образовательные программы, а эксперты разрабатывают инновационные проекты, расширяющие рамки на области от обработки естественного языка до вероятностного программирования.
The growing PyTorch community
Когда PyTorch впервые был запущен в начале 2017 года, он быстро стал популярным среди исследователей ИИ, которые сочли его идеальным для быстрых экспериментов благодаря гибкой, динамичной среде программирования и удобному интерфейсу.Мы видели это сообщество. с тех пор быстро растет. PyTorch теперьsecond-fastest-growing open source project on GitHub, with a 2.8x increase in contributors over the past 12 months.
Мы невероятно взволнованы и благодарны сообществу, сформировавшемуся вокруг PyTorch, и благодарны всем, кто внес свой вклад в кодовую базу, предоставил рекомендации и отзывы, а также создал передовые проекты с использованием фреймворка. чтобы и далее разработчикам было проще научиться создавать, обучать и развертывать модели машинного обучения с помощью PyTorch с помощью новых образовательных программ.
Education courses bring AI developers together
В прошлом месяце Udacity и Facebook запустили новый курс «Введение в глубокое обучение с помощью PyTorch», а также программу PyTorch Challenge Program, которая предоставляет стипендии для продолжения обучения ИИ.Всего за первые несколько недель мы увидели десятки тысяч студенты активно учатся в онлайн-программе.Более того, образовательные курсы начали сближать сообщество разработчиков посредством реальных встреч, которые органично сформировались по всему миру, от Великобритании до Индонезии.
The full course is now available to everyone free of charge through the Udacity website, and developers will soon be able to continue their PyTorch education in more advanced AI Nanodegree programs.
Beyond online education courses, organizations like fast.ai also offer software libraries to support developers as they learn how to build neural networks with PyTorch. fastai, a library that simplifies training fast and accurate neural nets, has garnered 10,000 stars on GitHub since its release two months ago.
Мы были очень рады видеть успех разработчиков с библиотекой.Например, Сантош Шетти использовал fastai, чтобы удвоить предыдущую лучшую точность дляdamage level classifications after disasters, and Alena Harley reduced the false-positive rate for tumor-normal sequencing by 7x compared with that of traditional approaches. In addition, Jason Antic created a project called DeOldify that uses deep learning for colorizing and restoration of old images.
Image
used courtesy of Jason Antic.
New projects extend PyTorch
PyTorch применялся для различных вариантов использования, от распознавания изображений до машинного перевода. В результате мы увидели множество проектов от сообщества разработчиков, которые расширяют и поддерживают разработку. Вот некоторые из этих проектов:
- Horovod— распределенная обучающая среда, которая позволяет разработчикам легко брать программу для одного GPU и быстро обучать ее на нескольких GPU.
- PyTorch Geometry— библиотека геометрического компьютерного зрения для PyTorch, предоставляющая набор подпрограмм и дифференцируемых модулей.
- TensorBoardX— модуль для регистрации моделей PyTorch в TensorBoard, позволяющий разработчикам использовать инструмент визуализации для обучения моделей.
In addition, the teams at Facebook are also building and open-sourcing projects for PyTorch such as Translate, библиотека для обучения моделей последовательностей, основанная на машинном переводе Facebook. системы.
Для разработчиков ИИ, которые хотят быстро начать свою работу в определенной области, экосистема поддерживаемых проектов обеспечивает легкий доступ к некоторым из последних передовых исследований в отрасли.@PyTorchчтобы быть в курсе.) Мы с нетерпением ждем новых проектов от сообщества, поскольку PyTorch продолжает развиваться.
Getting started in the cloud
Чтобы сделать PyTorch более доступным и удобным для пользователя, мы продолжали углублять наше партнерство с облачными платформами и сервисами, такими как Amazon Web Services, Google Cloud Platform и Microsoft Azure.Недавно AWS запустила Amazon SageMaker Neo с поддержка PyTorch, позволяющая разработчикам создавать модели машинного обучения в PyTorch, обучать их один раз, а затем развертывать в любом месте в облаке или на периферии с двукратным повышением производительности. Разработчики теперь также могут попробовать PyTorch 1.0 в Google. Облачная платформа отcreating a new Deep Learning VM instance.
Кроме того, служба Microsoft Azure Machine Learning,now generally available, позволяет специалистам по данным беспрепятственно обучать, управлять и развертывать Модели PyTorch в Azure. Используя пакет SDK для Python, разработчики PyTorch могутleverage on-demand distributed compute capabilities to train their models at scale with PyTorch 1.0 and accelerate their path to production.
AI developers can easily get started with PyTorch 1.0 through a cloud partner or local install, and follow updated step-by-step tutorials on the PyTorch website for tasks such as deploying a sequence-to-sequence model with the hybrid front end, training a simple chatbot, and more. The updated release notes are also available on the PyTorch GitHub.
We look forward to continuing our collaboration with the community and hearing your feedback as we further improve and expand the PyTorch deep learning platform.
Мы хотели бы поблагодарить всю команду PyTorch 1.0 за ее вклад в эту работу.