资讯 人工智能开发者
此为临时链接,仅用于文章预览,将在时失效

Pytorch 0.3.0 发布,实现多方面提速,增加对ONNX支持

作者:汪思颖
2017/12/07 08:58

雷锋网 AI 科技评论按,2017 年初,Facebook 在机器学习和科学计算工具 Torch 的基础上,针对 Python 语言发布了一个全新的机器学习工具包 PyTorch。一经发布,这款开源工具包就受到广泛关注和讨论,经过几个月的发展,目前 PyTorch 已经成为从业者最重要的研发工具之一。经过将近一年的发展,日前,迎来了 PyTorch 0.3.0 版本。

Pytorch 0.3.0 发布,实现多方面提速,增加对ONNX支持

根据官方文档的介绍,此次增加了多个函数和功能,多方面的性能均实现提升。

重大变更

0.3 版本中删掉了 Variable.reinforce() 等随机函数,因为它们的功能有限,并且会影响到性能。设置随机函数的初衷是为了避免采样值的 book-keeping,在实际中,由于各种各样的原因,用户的代码中仍然会包括 book-keeping。他们引入了 torch.distributions 包来代替随机函数。

之前的代码如下:

probs = policy_network(state)

action = probs.multinomial()

next_state, reward = env.step(action)

action.reinforce(reward)

action.backward()

现在的代码如下:

probs = policy_network(state)

# NOTE: categorical is equivalent to what used to be called multinomial

m = torch.distributions.Categorical(probs)

action = m.sample()

next_state, reward = env.step(action)

loss = -m.log_prob(action) * reward

loss.backward()

新的功能

1、目前,有些损失函数能直接计算 mini-batch 中每个 sample 的损失值。

2、构建了一个 in-built Profiler,能对模型进行瓶颈分析,这个 Profiler 同时支持 CPU 和 CUDA 模型。

更多信息可以参见 http://pytorch.org/docs/0.3.0/autograd.html#profiler

3、增加 Higher order gradients 模块,支持如下层:

4、优化器

  • optim.SparseAdam:能实现适用于稀疏张量的简单亚当算法

  • 优化器中增加了 add_param_group 函数,能在构建好的优化器中增加新的参数组。

除此之外,还增加了新的张量函数和功能,在新版本中,能通过 ONNX 将模型迁移到其他框架上。另外,在加速方面,重写 gpu kernel 之后,softmax 和 log_softmax 的速度能实现 4-256 倍的提升;在分布式 AllReduce 中,能实现 2.5-3 倍的性能提升;torch.norm 函数的 backward 能实现 1.5 倍的加速;pack_padded_sequence 的性能也有提升。

雷锋网 AI 科技评论编译整理,具体的介绍可以参加说明文档,里面有详细说明。地址如下:https://github.com/pytorch/pytorch/releases/tag/v0.3.0

雷锋网 AI 科技评论后续也将持续关注PyTorch的更新。

长按图片保存图片,分享给好友或朋友圈

Pytorch 0.3.0 发布,实现多方面提速,增加对ONNX支持

扫码查看文章

正在生成分享图...

取消
相关文章