PyTorch深度学习框架：便捷性+实用性

2019年12月17日由 KING 发表 686908 0

深度学习在文字语音的识别、图像的描述、进行复杂的游戏等方面几乎达到了人类水平。然而，深度学习是计算密集型的，并且在深度学习框架的开发中出现了一些矛盾：可用性的提高往往会对速度产生负面影响，反之亦然。

流行的框架Caffe、Tensorflow和Theano提供了快速的计算性能，但它们是以牺牲简便性和灵活性为代价。

然后是主要由Facebook AI开发并于2016年推出的PyTorch。PyTorch是一个高效的库，用于促进深度学习项目的构建。它允许深度学习模型以惯用的Python编程语言表示，这对于可用性而言是一个巨大的优势。PyTorch设计遵循四个主要原则。首先，考虑到大多数数据科学家都熟悉Python，PyTorch留在了这个生态系统中，以保持界面简单和一致。其次，它在直观的API之后隐藏了机器学习固有的许多复杂性。第三，它允许研究人员手动控制代码的执行以提供实用的性能。最后，与更全面，更复杂的框架相反，PyTorch的实现被设计为简单但有些“不完整”。这使得在PyTorch中更容易实现附加功能并适应新情况，从而增加了灵活性。

PyTorch采用基于图元编程的方法，用于定义层组成模型，加载数据和运行优化器的执行代码全部由通用编程表示。这样的设计确保可以使用PyTorch轻松推广和实现任何新的神经网络体系结构。

互操作性和可扩展性是PyTorch的其他首要任务，它可以与外部库进行双向数据交换。用户可以自由更换PyTorch组件，以更好地满足他们的特定项目需求。PyTorch的出色表现在很大程度上归功于以下五个策略：

PyTorch核心用于实现张量数据结构，CPU和GPU运算符，基本并行基元和自动微分计算。由于最密集的计算操作由内核处理，因此可以用高效的C ++编程语言编写它们以提高性能。

控制和数据流之间要严格分开。尽管控制流是在Python中进行的，但是优化的C ++代码可以在主机CPU上执行。

自定义分配器以增量方式建立CUDA内存的缓存，并将其重新分配给后面的分配，从而阻止进一步使用CUDA API。

Torch.multiprocessing使用户可以在多个GPU上实现高度并行的程序。

引用计数方案监视每个张量的使用次数，一旦计数达到零，就会立即释放基础内存。

与主流的深度学习框架Chainer、CNTK、MXNet、PaddlePaddel和TensorFlow相比，PyTorch在所有六个基准测试中的最快框架得分均在17％之内。

标签：

行业 PyTorch

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇华为“转型”，智慧机场如何影响人们的出行？

下一篇人工智能可以帮助科学家制造太阳能电池

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

最好的基于Transformer的LLM（上）