重磅 | Torch7團(tuán)隊開源PyTorch：Python優(yōu)先的深度學(xué)習(xí)框架
Torch7 團(tuán)隊開源了 PyTorch。據(jù)官網(wǎng)介紹，PyTorch 是一個 Python 優(yōu)先的深度學(xué)習(xí)框架，能夠在強(qiáng)大的 GPU 加速基礎(chǔ)上實(shí)現(xiàn)張量和動態(tài)神經(jīng)網(wǎng)絡(luò)。
- 官網(wǎng)：http://pytorch.org
- GitHub：https://github.com/pytorch/pytorch
PyTorch 是一個 Python 軟件包，其提供了兩種高層面的功能：
- 使用強(qiáng)大的 GPU 加速的 Tensor 計算(類似 numpy)
- 構(gòu)建于基于 tape 的 autograd 系統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)
如有需要，你也可以復(fù)用你最喜歡的 Python 軟件包(如 numpy、scipy 和 Cython)來擴(kuò)展 PyTorch。目前這個版本是早期的 Beta 版，我們很快就會加入更多的功能。
一、PyTorch 介紹
在粒度層面(granular level)上，PyTorch 庫包含了以下組件：
使用 PyTorch 的原因通常有二：
- 作為 numpy 的替代，以便使用強(qiáng)大的 GPU;
- 將其作為一個能提供***的靈活性和速度的深度學(xué)習(xí)研究平臺。
進(jìn)一步闡述如下：
1. 一個支持 GPU 的 Tensor 庫
如果你使用 numpy，那么你就使用過 Tensor(即 ndarray)。
PyTorch 提供了支持 CPU 和 GPU 的 Tensor，可以極大地加速計算。
我們提供了各種各樣的用于加速的張量例程(tensor routine)，可以滿足你的各種科學(xué)計算需求，比如 slicing、索引、數(shù)學(xué)運(yùn)算、線性代數(shù)、reduction。而且它們非?？?
2. 動態(tài)神經(jīng)網(wǎng)絡(luò)：基于 tape 的 autograd
PyTorch 有一種獨(dú)特的神經(jīng)網(wǎng)絡(luò)構(gòu)建方法：使用和重放 tape recorder。TensorFlow、Theano、Caffe 和 CNTK 等大部分框架對世界的視角都是靜態(tài)的，讓人們必須先構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，然后一次又一次地使用同樣的結(jié)構(gòu);如果要想改變該網(wǎng)絡(luò)的行為，就必須完全從頭開始。
但使用 PyTorch，通過一種我們稱之為「Reverse-mode auto-differentiation(反向模式自動微分)」的技術(shù)，你可以零延遲或零成本地任意改變你的網(wǎng)絡(luò)的行為。我們靈感來自關(guān)于這一主題的許多研究論文以及當(dāng)前和過去的研究成果，比如 autograd、autograd、Chainer 等。
- autograd：https://github.com/twitter/torch-autograd
- autograd：https://github.com/HIPS/autograd
- Chainer：http://chainer.org/
盡管這項技術(shù)并非 PyTorch 獨(dú)有，但它仍然是到目前為止最快的實(shí)現(xiàn)。你能為你的瘋狂研究獲得***的速度和***的靈活性。
3. Python 優(yōu)先
PyTorch 不是簡單地在整體 C++框架上綁定 Python。它深入構(gòu)建在 Python 之上。你可以像使用 numpy / scipy / scikit-learn 那樣輕松地使用 PyTorch。你可以用你喜歡的庫和包(如 Cython 和 Numba)在 Python 中編寫新的神經(jīng)網(wǎng)絡(luò)層。我們的目標(biāo)是盡量讓你不用重新發(fā)明輪子。
4. 命令式體驗(yàn)
PyTorch 的設(shè)計思路是線性、直觀且易于使用。當(dāng)你需要執(zhí)行一行代碼時，它會忠實(shí)執(zhí)行。PyTorch 沒有異步的世界觀。當(dāng)你打開調(diào)試器，或接收到錯誤代碼和 stack trace 時，你會發(fā)現(xiàn)理解這些信息是非常輕松的。Stack-trace 點(diǎn)將會直接指向代碼定義的確切位置。我們不希望你在 debug 時會因?yàn)殄e誤的指向或異步和不透明的引擎而浪費(fèi)時間。
5. 快速精益
PyTorch 具有輕巧的框架。我們集成了各種加速庫，如 Intel MKL、英偉達(dá)的 CuDNN 和 NCCL 來優(yōu)化速度。在其核心，它的 CPU 和 GPU Tensor 與神經(jīng)網(wǎng)絡(luò)后端(TH、THC、THNN、THCUNN)被編寫成了獨(dú)立的庫，帶有 C99 API。
這種配置是成熟的，我們已經(jīng)使用了多年。
因此，PyTorch 非常高效——無論你需要運(yùn)行何種尺寸的神經(jīng)網(wǎng)絡(luò)。
在 PyTorch 中，內(nèi)存的使用效率相比 Torch 或其它方式都更加高效。我們?yōu)?GPU 編寫了自定義內(nèi)存分配器，以保證深度學(xué)習(xí)模型在運(yùn)行時有***的內(nèi)存效率，這意味著在相同硬件的情況下，你可以訓(xùn)練比以前更為復(fù)雜的深度學(xué)習(xí)模型。
6. 輕松拓展
編寫新的神經(jīng)網(wǎng)絡(luò)模塊，或與 PyTorch 的 Tensor API 相接的設(shè)計都是很直接的，不太抽象。
你可以使用 Torch API 或你喜歡的基于 numpy 的庫(比如 Scipy)來通過 Python 寫新的神經(jīng)網(wǎng)絡(luò)層。
如果你想用 C++ 寫網(wǎng)絡(luò)層，我們提供了基于 cffi(http://cffi.readthedocs.io/en/latest/)的擴(kuò)展 API，其非常有效且有較少的樣板文件。
不需要寫任何 wrapper code。這里有一個示例：https://github.com/pytorch/extension-ffi
二、安裝
1. 二進(jìn)制
Anaconda
- conda install pytorch torchvision -c soumith
2. 來自源
Anaconda 環(huán)境的說明。
如果你想要用 CUDA 支持編譯、安裝：
- NVIDIA CUDA 7.5 或之上的版本
- NVIDIA CuDNN v5.x
3. 安裝可選依賴包
- export CMAKE_PREFIX_PATH=[anaconda root directory]
- conda install numpy mkl setuptools cmake gcc cffi
- conda install -c soumith magma-cuda75 # or magma-cuda80 if CUDA 8.0
4. 安裝 PyTorch
- export MACOSX_DEPLOYMENT_TARGET=10.9 # if OSX
- pip install -r requirements.txt
- python setup.py install
三、開始使用
從以下三點(diǎn)開始學(xué)習(xí)使用 PyTorch：
- 教程：開始了解并使用 PyTorch 的教程(https://github.com/pytorch/tutorials)。
- 案例：跨所有領(lǐng)域的輕松理解 PyTorch 代碼(https://github.com/pytorch/examples)。
- API 參考：http://pytorch.org/docs/
四、交流
- 論壇：討論實(shí)現(xiàn)、研究等(http://discuss.pytorch.org)
- GitHub 問題反饋：bug 通知、特征要求、安裝問題、RFC、想法等。
- Slack：通常聊天、在線討論、合作等(https://pytorch.slack.com/)。
- 郵件訂閱沒有騷擾信件、單向郵件推送 PyTorch 的重要通知。訂閱：http://eepurl.com/cbG0rv。
五、發(fā)布和貢獻(xiàn)
PyTorch 的發(fā)布周期(主版本)為 90 天。目前的版本是 v0.1.6 Beta，我們期望在發(fā)布前盡量減少 bug。如果你發(fā)現(xiàn)了錯誤，歡迎向我們提交：
https://github.com/pytorch/pytorch/issues
我們歡迎所有形式的貢獻(xiàn)。如果你希望幫助解決 bug，請直接上手，無需多作討論。
如果你愿意為 PyTorch 提供新功能、實(shí)用函數(shù)或核心擴(kuò)展，請先開一個 issue 與大家討論一下。請注意：在未經(jīng)討論的情況下提交的 PR 可能會導(dǎo)致退回，因?yàn)槲覀兛赡軙扇〔煌慕鉀Q方式。
在下一個版本中，我們計劃推出三大新功能：
1、分布式 PyTorch
(這里已經(jīng)有一個嘗試性的實(shí)現(xiàn)了：https://github.com/apaszke/pytorch-dist)
2、反反向(Backward of Backward)：在反向傳播的過程中進(jìn)行過程優(yōu)化。一些過去和最近的研究如 Double Backprop 和 Unrolled GANs 會需要這種特性。
3、用于 autograd 的 Lazy Execution Engine：這將允許我們可以通過引入緩存和 JIT 編譯器來優(yōu)化 autograd 代碼。
六、開發(fā)團(tuán)隊
PyTorch 是一個社區(qū)驅(qū)動的項目，由經(jīng)驗(yàn)豐富的工程師和研究者開發(fā)。
目前，PyTorch 由 Adam Paszke、Sam Gross 與 Soumith Chintala 牽頭開發(fā)。其他主要貢獻(xiàn)者包括 Sergey Zagoruyko、Adam Lerer、Francisco Massa、Andreas Kopf、James Bradbury、Zeming Lin、田淵棟，Guillaume Lample、Marat Dukhan、Natalia Gimelshein 等人。
Note：本項目與 hughperkins/pytorch 有相同的名字，但無關(guān)聯(lián)。
【本文是51CTO專欄機(jī)構(gòu)機(jī)器之心的原創(chuàng)譯文，微信公眾號“機(jī)器之心( id: almosthuman2014)”】
