图灵奖得主力推：PyTorch 1.3 发布

10月11日凌晨，PyTorch 开发者大会在旧金山开幕，会上发布了最新版本 PyTorch1.3。本次更新最大的亮点在于对移动设备的支持、挑战传统张量的「命名张量」，以及更好的性能改进。

• PyTorch 1.3 项目地址：https://github.com/pytorch/pytorch/releases/tag/v1.3.0

茁壮成长的 PyTorch

• 支持在移动设备上进行完整的 TorchScript 推断；

• 在 JCenter/CocoaPods 上建立了 LibTorch 代码库；

• 对于安卓而言，PyTorch 进行了 Java 封装，涵盖了常用的推断场景；

• 在移动 CPU 上可以进行所有的前向计算；（反向传播还不支持）

• 优化了一些 float32 算子，用于 ARM CPU；（基于 Caffe2Go）

• 优化了一些 int8 算子，用于 ARM CPU；（基于 QNNPACK）

• 不专门为移动设备创建新的框架，用户可使用一样的 API；

• TorchScript 格式的模型不需要任何格式转换就可以在安卓/ios 上使用。

• 官方提供了一个教程：https://pytorch.org/mobile/

• 深度学习框架中的「张量」不好用？也许我们需要重新定义 Tensor 了 

# Tensor[N, C, H, W]
images = torch.randn(32, 3, 56, 56)
images.sum(dim=1)
images.select(dim=1, index=0)

NCHW = [‘N’, ‘C’, ‘H’, ‘W’]
images = torch.randn(32, 3, 56, 56, names=NCHW)
images.sum('C')
images.select('C', index=0)

noise_tunnel = NoiseTunnel(integrated_gradients)

attributions_ig_nt, delta = noise_tunnel.attribute(input, n_samples=10, nt_type='smoothgrad_sq', target=pred_label_idx)
_ = viz.visualize_image_attr_multiple(["original_image", "heat_map"],["all", "positive"],
                                      np.transpose(attributions_ig_nt.squeeze().cpu().detach().numpy(), (1,2,0)),
                                      np.transpose(transformed_img.squeeze().cpu().detach().numpy(), (1,2,0)),
                                      cmap=default_cmap, 
                                      show_colorbar=True)

本图中，特征属性使用整合梯度（integrated gradient）进行计算，并通过右图展示出来。

参考链接：

• https://ai.facebook.com/blog/pytorch-13-adds-mobile-privacy-quantization-and-named-tensors/

• https://www.reddit.com/r/MachineLearning/comments/dg0a5i/d_pytorch_dominates_research_tensorflow_dominates/

• https://www.reddit.com/r/MachineLearning/comments/dg2lb6/n_pytorch_130_mobile_support_named_tensors/

• https://app.releasly.co/releases/pytorch/pytorch/1_3_0

 点击下方 | 阅读原文 | 了解更多