PyTorch 1.3发布：能在移动端部署，支持Colab云TPU，阿里云上也能用

晓查 一璞 发自 凹非寺

量子位 报道 | 公众号 QbitAI

“我要转PyTorch！”

看到1.3版本的新特性之后，有开发者在推特上喊。

今天是PyTorch开发者大会第一天，PyTorch 1.3率先公布。

新的版本不仅能支持安卓iOS移动端部署，甚至还能让用户去对手Google的Colab上调用云TPU。

不方便薅Google羊毛的国内的开发者，PyTorch也被集成在了阿里云上，阿里云全家桶用户可以更方便的使用PyTorch了。

此外还有一大波新工具，涉及可解释性、加密、以及关于图像语音的诸多功能。

又兼容又有新工具，怪不得有普通铁杆粉丝感叹：自己对Facebook开源库的“忠诚度”越来越高了。

牛逼！可能是个人感觉吧，Facebook比Google在开源库方面好多了，而且各方支持也是最好的。

React对比Angular，Pytorch对比Tensorflow。这就是其中两个例子，Facebook框架上市晚，但得到了强有力的支持，不断改进，而Google的框架虽然出来得早但没啥兼容升级，最终成为弃子。

我对Facebook开源库的“忠诚度”一直在增长。

PyTorch 1.3新功能

PyTorch 1.3带来了三个实验性的新功能。

命名张量

允许用户给张量维度命名，从而让张量更易用，这样就可以直接喊他们的名字，不用根据位置来跟踪张量维度。

升级之前，你需要在代码里写注释来给张量命名：

# Tensor[N, C, H, W]
images = torch.randn(32, 3, 56, 56)
images.sum(dim=1)
images.select(dim=1, index=0)

升级之后，就直接能在代码里写了，这样可读性大大提高：

NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
images = torch.randn(32, 3, 56, 56, names=NCHW)
images.sum('C')
images.select('C', index=0)

另外，这项功能还能自动检查API是否被正确的使用，提升了安全性，还可以直接用名字来重新排列尺寸。

你可以这样命名：

也可以这样命名：

用align_to就可以重新排序：

是不是方便多了？

量化支持

开发ML应用程序时，有效利用服务器端和设备上的计算资源非常重要。

为了支持在服务器和边缘设备上进行更有效的部署，PyTorch 1.3现在支持用eager模式进行8位模型量化。所谓量化，是指降低精度执行计算和存储的技术。

当前处于实验性的量化功能包括对后训练量化（post-training quantization）、动态量化（dynamic quantization）和量化感知训练（quantization-aware training）的支持。它分别利用了x86和ARM CPU的FBGEMM和QNNPACK最新的量化内核后端，这些后端与PyTorch集成在一起，并且现在共享一个通用API。

具体的API文档可以参阅：

https://pytorch.org/docs/master/quantization.html

Facebook提供了一个量化的实际案例供开发者参考：

https://pytorch.org/tutorials/advanced/dynamic_quantization_tutorial.html

移动端

另外，为了在边缘设备上高效的运行机器学习，PyTorch 1.3支持端到端的工作流，从Python到部署在iOS和安卓端。

当然，这个功能还是早期实验版本，针对端到端做了优化，新版本重点在：

1、大小优化，根据用户需要构建级别优化和选择性编译。

2、提升了移动CPU和GPU上的性能。

3、高级API：扩展移动原生API，覆盖常用预处理、将机器学习合并到移动应用需要的集成任务，比如计算机视觉或者NLP的任务。

移动端部署细节：

https://pytorch.org/mobile/home/

新工具

可解释性工具Captum

随着AI模型变得越来越复杂，开发用于模型可解释性的新方法变得越来越重要。为了满足这种需求，Facebook推出了Captum。

Captum可以帮助使用PyTorch的开发者了解为什么他们的模型生成某个特定输出。Captum提供了先进的工具来理解特定神经元和层如何影响模型做出的预测。

Captum的算法包括integrated gradients、conductance、SmoothGrad、VarGrad和DeepLift。

下面的案例展示了如何在预训练的ResNet模型上应用模型可解释性算法，然后通过将每个像素的属性叠加在图像上，使其可视化。

noise_tunnel = NoiseTunnel(integrated_gradients)
attributions_ig_nt, delta = noise_tunnel.attribute(input, n_samples=10, nt_type='smoothgrad_sq', target=pred_label_idx)
_ = viz.visualize_image_attr_multiple(["original_image", "heat_map"],
 ["all", "positive"],
 np.transpose(attributions_ig_nt.squeeze().cpu().detach().numpy(), (1,2,0)),
 np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)), cmap=default_cmap, 
 show_colorbar=True)

了解更多：

https://www.captum.ai/

加密工具CrypTen

通过基于云或机器学习即服务（MLaaS）平台的ML的实际应用提出了一系列安全和隐私挑战。

这些平台的用户可能不希望或是无法共享未加密数据，这使他们无法充分利用机器学习工具。为了应对这些挑战，机器学习社区正在探索各种成熟度不同的技术方法。这些包括同态加密（homomorphic encryption）、安全多方计算（secure multiparty computation）、可信执行环境（trusted execution environments）、设备计算（on-device computation）和差分隐私（differential privacy）。

为了更好地理解如何应用其中的某些技术，Facebook发布了CrypTen，这是一个新的基于社区的研究平台，用于推动隐私保护ML领域的发展。

CrypTen的更多细节：

https://ai.facebook.com/blog/crypten-a-new-research-tool-for-secure-machine-learning-with-pytorch

目前CrypTen已经在GitHub上开源：

https://github.com/facebookresearch/crypten

多模AI系统工具

如今网上的数字内容通常不是单一形式，而是由多种形式共同组成，可能包含文本、图像、音频和视频。PyTorch提供了新的工具和软件库生态系统，来处理机器学习ML系统。

Detectron2

Detectron2是在PyTorch中实现的目标检测库。它以增强的灵活性帮助计算机视觉研究，并改善可维护性和可伸缩性，以支持在生产中的用例。

更多细节：

https://ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-

GitHub：

https://github.com/facebookresearch/detectron2

Fairseq的语音扩展

语言翻译和音频处理是系统和应用程序（例如搜索，翻译，语音和助手）中的关键组件。由于变压器等新架构的发展以及大规模的预训练方法的发展，最近在这些领域取得了巨大的进步。

Facebook已经扩展了Fairseq（语言翻译等seq2seq应用框架），包括对语音和音频识别任务的端到端学习的支持。fairseq的这些扩展可以加快对新语音研究的探索和原型开发。

GitHub：

https://github.com/pytorch/fairseq/tree/master/examples/speech_recognition

云端支持

今天的开发者大会上，另一个激动人心的消息是，PyTorch宣布了对谷歌云TPU的全面支持，以及阿里云对PyTorch的集成。此外，PyTorch还将新增了对两家AI硬件的支持，扩展了了自己的硬件生态。

谷歌云TPU

在Facebook、Google和Salesforce的工程师共同努力下，新版的PyTorch加入对了云TPU支持，包括对超级计算机云TPU Pods的实验性支持。谷歌Colab还提供了对云TPU的PyTorch支持。

阿里云

阿里云的集成涉及PyTorch 1.x的一键式解决方案，数据科学Workshop notebook服务，使用Gloo/NCCL进行的分布式训练，以及与阿里巴巴IaaS（如OSS、ODPS和NAS）的无缝集成。

硬件生态扩展

除了主要的GPU和CPU合作伙伴之外，PyTorch生态系统还支持专用的机器学习加速器。比如英特尔不久前推出的NNP-I推理芯片、Habana Labs的AI处理器。

这两家公司分别在博客中展示了自家硬件对PyTorch Glow优化编译器的支持，使开发人员能够利用这些特定于市场的解决方案。

回馈AI社区

最后Facebook感谢AI社区对PyTorch生态做出的贡献，过去一段时间里，一些开发者的优秀开源项目让PyTorch框架受益。比如：

1、Mila SpeechBrain：多合一语音工具包

《Kaldi拜拜！PyTorch语音工具包SpeechBrain要来了，支持多种语音任务，实现最强水准》

2、SpaCy：用于NLP的高级软件库

3、HuggingFace PyTorch-Transformers：用于NLP的最新的预训练模型库。

《一个API调用27个NLP预训练模型：BERT、GPT-2全囊括，像导入NumPy一样容易》

4、PyTorch Lightning：一个类似Keras的ML库

《在PyTorch上用”Keras”，分布式训练开箱即用，告别没完没了的Debug》

最近，Facebook举行了首次在线的全球PyTorch夏季黑客马拉松，共有近1500名开发者参加了比赛。Facebook在今天公布了获奖项目，他们分别是：

1、Torchmeta：提供了PyTorch的扩展，简化PyTorch中元学习算法的开发。

2、Open-Unmix：使用PyTorch进行端到端音乐混合的系统。

3、Endless AI-Generated Tees：这是一家向全球售卖AI设计T恤的商店。他们使用由PyTorch构建的StyleGAN，接受现代艺术的训练。