该新版本的重要性在于，减少了从研究过程到生产过程中移动AI驱动的项目所需的时间，同时提高了这些应用程序的准确度和性能。这些改进的发生，部分是因为混合前端在命令式和声明式执行模式间的转换。
PyTorch的核心优势在于，它是前端必不可少的部分，它通过适应性可编程模式实现迭代原型设计和实验。PyTorch的第一个版本发布于2017年早些时候，其软件包的下载次数已经超过了110万次。Jia将它的流行归因于：
它的速度、生产力和支持最前沿AI模型（如动态图形）的能力迅速使之成为最受AI研究人员欢迎的重要开发工具。
PyTorch应用的一个众所周知的例子是，加州大学伯克利分校计算机科学家所构建的项目，它基于循环一致对抗网络进行非配对图到图的转换。该项目通过使用一组对齐的图像训练集来学习图像输入和输出映射。

PyTorch目前的版本已经取得了一些成果，为AI研究、开发和生产规模上的性能提供了灵活性，但是，也存在一些挑战。Jia解释说：
由于它和Python紧密的耦合，我们常常需要把研究代码（无论是训练脚本还是经过训练的模型）转换为Caffe2中的图形模式表示，以在生产规模上运行。Caffe2的基于图形执行程序允许开发人员利用最先进的优化技术，比如图形转换、高效的内存重用和严格的硬件接口集成等等。
另外，PyTorch 1.0 集成了Caffe2和ONNX的功能，并把它与PyTorch的能力结合在一起，以提供从研究原型到生产部署的无缝路径。通过利用Caffe2，建立PyTorch依赖关系的公司也能够期望获得对更大的规模和可靠性的支持。PyTorch博客更进一步解释了使用Caffe2的重要性：
初创企业、大公司和任何希望围绕PyTorch构建产品的人都要求获得产品支持。在脸书（PyTorch的最大利益相关者），我们拥有Caffe2，它已经是生产就绪平台，运行于我们的数据中心，并向横跨8代iPhone以及6代安卓CPU架构的超过10亿部手机交付产品。它在Inter/ARM、TensorRT支持以及所有生产所需的位数上有服务器优化推理。考虑到所有这些价值锁定在PyTorch团队与其密切合作的平台上，我们决定把PyTorch和Caffe2结合在一起，从而为PyTorch提供生产级准备。
ONNX是一种开放格式，用于表示那些能够在不同AI框架之间交换的深度学习模型。在PyTorch 1.0中，ONNX是本地支持的导出模型。它也为加速运行时间和硬件特定库提供了接口。Jia提到了这种方法的一些好处：
它给予开发人员完全的自由，以混合和匹配最好的AI框架和工具，而无需承担资源密集型的定制工程。
PyTorch项目期望于2018年夏季的某个时候发布1.0版本，并且可以在其GitHup repo上查看pull requests。

原文来自：https://www.linuxidc.com/Linux/2018-05/152491.htm

本文地址：https://www.linuxprobe.com/pytorch-1-0-ai.html编辑：程伟，审核员：逄增宝

本文原创地址：https://www.linuxprobe.com/pytorch-1-0-ai.html编辑：public，审核员：暂无