本周，Facebook 的 AI 研究團隊發(fā)布了一個 Python 工具包，專門針對 GPU 加速的深度神經(jīng)網(wǎng)絡（DNN）編程。它有望輔助、或在一定程度上替代，現(xiàn)有的 Python 數(shù)學、統(tǒng)計庫（比如 NumPy）。它實現(xiàn)了機器學習框架 Torch 在 Python 語言環(huán)境的執(zhí)行。開發(fā)團隊表示，除 Facebook之外，它還已經(jīng)被推特、卡內(nèi)基梅隆大學和 Salesforce 等機構采用。
使用 Pytorch 的機構
Torch 是一個十分老牌、對多維矩陣數(shù)據(jù)進行操作的張量（tensor ）庫，在機器學習和其他數(shù)學密集型應用有廣泛應用。但由于其語言采用 Lua，導致在國內(nèi)一直很小眾，并逐漸被支持 Python 的 Tensorflow 搶走用戶。如今，作為經(jīng)典機器學習庫 Torch 的端口，PyTorch 為 Python 語言使用者提供了舒適的寫代碼選擇。雷鋒網(wǎng)此前對 Torch 做過介紹。詳情請看盤點四大民間機器學習開源框架：Theano、Caffe、Torch 和 SciKit-learn。
PyTorch 的特點和優(yōu)勢
PyTorch 提供了：
運行在 GPU 或 CPU 之上、基礎的張量操作庫，
內(nèi)置的神經(jīng)網(wǎng)絡庫
模型訓練功能
支持共享內(nèi)存的多進程并發(fā)（multiproCESsing ）庫。PyTorch 開發(fā)團隊表示：這對數(shù)據(jù)載入和 hogwild 訓練十分有幫助。
PyTorch 的首要優(yōu)勢是，它處于機器學習第一大語言 Python 的生態(tài)圈之中，使得開發(fā)者能接入廣大的 Python 庫和軟件。因此，Python 開發(fā)者能夠用他們熟悉的風格寫代碼，而不需要針對外部 C 語言或 C++ 庫的 wrapper，使用它的專門語言。雷鋒網(wǎng)獲知，現(xiàn)有的工具包可以與 PyTorch 一起運行，比如 NumPy、SciPy 和 Cython（為了速度把 Python 編譯成 C 語言）。
PyTorch 還為改進現(xiàn)有的神經(jīng)網(wǎng)絡，提供了更快速的方法——不需要從頭重新構建整個網(wǎng)絡。這是由于 PyTorch 采用了動態(tài)計算圖（dynamic computational graph）結構，而不是大多數(shù)開源框架，比如 TensorFlow、Caffe、CNTK、Theano 等采用的靜態(tài)計算圖。雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))獲知，該技術從另一個 Python 的神經(jīng)網(wǎng)絡框架——Chainer 那里借用。開發(fā)者團隊還強調 PyTorch 優(yōu)越的內(nèi)存效率，因為它采用了定制的 GPU 內(nèi)存分配器。這使得開發(fā)者的深度學習模型能夠有“最大限度的內(nèi)存效能”，訓練比從前更大的深度神經(jīng)網(wǎng)絡。
雖然 PyTorch 為機器學習應用而優(yōu)化，這并不是它的唯一使用場景。比如說，相比 NumPy ，PyTorch 的張量計算可作為它對應功能的替代。PyTorch 為這些功能提供了 GPU 加速的版本。在沒有強力 GPU 加持的情況下，開發(fā)者能使用 CPU 運行。
這是 PyTorch 中包含的工具包列表：
torch ：類似 NumPy 的張量庫，強 GPU 支持
torch.autograd ：基于 tape 的自動區(qū)別庫，支持 torch 之中的所有可區(qū)分張量運行。
torch.nn ：為最大化靈活性未涉及、與 autograd 深度整合的神經(jīng)網(wǎng)絡庫
torch.optim：與 torch.nn 一起使用的優(yōu)化包，包含 SGD, RMSProp, LBFGS, Adam 等標準優(yōu)化方式
torch.multiprocessing： python 多進程并發(fā)，進程之間 torch Tensors 的內(nèi)存共享。
torch.utils：數(shù)據(jù)載入器。具有訓練器和其他便利功能。 Trainer and other utility functions for convenience
torch.legacy(.nn/.optim) ：處于向后兼容性考慮，從 Torch 移植來的 legacy 代碼。
京公網(wǎng)安備 11010502049343號