PyTorch团队发布
今天，我们宣布PyTorch 1.5以及新的和更新的库的可用性。此版本包括几个主要的新API添加和改进。PyTorch现在包括对C ++前端的重大更新，用于计算机视觉模型的“通道最后”存储格式，以及用于模型并行训练的分布式RPC框架的稳定版本。该发行版还提供了针对粗麻布和雅各布派的autograd的新API，以及一个允许创建受pybind启发的Custom C ++类的API。
你可以在下面的链接中找到详细的发行说明：https://github.com/pytorch/pytorch/releases
C ++前端API（稳定）
现在，C ++前端API与Python相当，并且总体功能已移至“稳定”状态（以前标记为实验性）。一些主要亮点包括：
- 现在覆盖率达到100％，并提供有关C ++ torch :: nn模块/功能的文档，用户可以轻松地将其模型从Python API转换为C ++ API，从而使模型创作体验更加流畅。
- C ++中的优化器已经偏离了Python等效器：C ++优化器不能将参数组作为输入，而Python可以。此外，步骤功能的实现也不完全相同。在1.5版中，C ++优化器的行为将始终与Python等效器相同。
- C ++中缺少张量多维度索引API是一个众所周知的问题，并在PyTorch Github问题跟踪器和论坛中引起了很多帖子。先前的解决方法是使用narrow/ select/ index_select/ 的组合，masked_select与Python API的优雅tensor[:, 0, ..., mask]语法相比，此组合笨拙且容易出错。在1.5版本中，用户可以使用tensor.index({Slice(), 0, "...", mask})以达到相同的目的。
COMPUTER VISION模型的“ CHANNELS LAST”存储格式（实验性）
“最后使用通道”的内存布局释放了使用高效性能卷积算法和硬件（NVIDIA的Tensor Core，FBGEMM，QNNPACK）的能力。此外，它被设计为通过运算符自动传播，从而允许在内存布局之间轻松切换。
在此处了解更多有关如何编写内存格式感知运算符的信息。
自定义C ++类（实验性）
此版本添加了新的API，torch.CutomClassHolder用于将自定义C ++类同时绑定到TorchScript和Python。该API的语法与pybind11几乎相同。它允许用户向TorchScript类型系统和运行时系统公开其C ++类及其方法，以便他们可以实例化和操作TorchScript和Python中的任意C ++对象。C ++绑定示例：
template <class T>
struct MyStackClass : torch::CustomClassHolder {
std::vector<T> stack_;
MyStackClass(std::vector<T> init) : stack_(std::move(init)) {}
void push(T x) {
stack_.push_back(x);
}
T pop() {
auto val = stack_.back();
stack_.pop_back();
return val;
}
};
static auto testStack =
torch::class_<MyStackClass<std::string>>("myclasses", "MyStackClass")
.def(torch::init<std::vector<std::string>>())
.def("push", &MyStackClass<std::string>::push)
.def("pop", &MyStackClass<std::string>::pop)
.def("size", [](const c10::intrusive_ptr<MyStackClass>& self) {
return self->stack_.size();
});
它公开了可以在Python和TorchScript中使用的类，如下所示：
@torch.jit.script
def do_stacks(s : torch.classes.myclasses.MyStackClass):
s2 = torch.classes.myclasses.MyStackClass(["hi", "mom"])
print(s2.pop()) # "mom"
s2.push("foobar")
return s2 # ["hi", "foobar"]
您可以在这里的教程中尝试一下。https://pytorch.org/tutorials/recipes/recipes/torsh_script_custom_classes.html
分布式RPC框架API（现在稳定）
分布式RPC框架在1.4版本中以实验性形式启动，该提议是将分布式RPC框架标记为稳定且不再具有实验性。这项工作涉及许多增强功能和错误修复，以使分布式RPC框架总体上更可靠和更健壮，并添加了两个新功能，包括概要分析支持，在RPC中使用TorchScript函数以及多项易于使用的增强功能。以下是框架内各种API的概述：
RPC API
RPC API允许用户指定要在远程节点上运行的函数和要实例化的对象。这些功能被透明记录，因此可以使用Distributed Autograd通过远程需求反向传播梯度。
分布式Autograd
分布式Autograd连接跨多个节点的autograd图，并允许在向后传递过程中流经渐变。渐变被累积到一个上下文中（与Autograd中的.grad字段相反），用户必须在with dist_autograd.context()管理器下指定其模型的前向传递，以确保正确记录所有RPC通信。当前，仅实现FAST模式（有关FAST和SMART模式之间的差异，请参见https://pytorch.org/docs/stable/notes/distributed_autograd.html#smart-mode-algorithm）。
分布式优化器
分布式优化器使用需要渐变的参数在每个工作器上为优化器创建RRef，然后使用RPC API远程运行优化器。用户必须收集所有远程参数并将它们包装在中RRef，因为这是对分布式优化器的必需输入。用户还必须指定分布式自动梯度，context_id以便优化器知道在哪个上下文中寻找梯度。
在此处了解有关分布式RPC框架API的更多信息。
新的高级AUTOGRAD API（实验性）
PyTorch 1.5为torch.autograd.functional子模块带来了新功能，包括jacobian，hessian，jvp，vjp，hvp和vhp 。此功能建立在当前API的基础上，并允许用户轻松执行这些功能。
不再支持PYTHON 2
从PyTorch 1.5.0开始，我们将不再支持Python 2，特别是2.7版。今后，对Python的支持将仅限于Python 3，特别是Python 3.5、3.6、3.7和3.8（在PyTorch 1.4.0中首次启用）。
感谢整个PyTorch团队和社区为这项工作做出的所有贡献。