


PyTorch dipindahkan ke Yayasan Linux, yang akan memberi impak besar kepada penyelidikan AI
Baru-baru ini, pengasas PyTorch, Soumith Chintala mengumumkan di laman web rasmi PyTorch bahawa PyTorch, sebagai projek peringkat atasan, akan dipindahkan secara rasmi ke Yayasan Linux (LF), dinamakan Yayasan PyTorch.
PyTorch dilahirkan pada Januari 2017 dan dilancarkan oleh Facebook Artificial Intelligence Research (FAIR) Ia adalah perpustakaan pembelajaran mesin sumber terbuka Python berdasarkan Torch dan boleh digunakan untuk pemprosesan bahasa semula jadi dan aplikasi lain. Sebagai salah satu rangka kerja pembelajaran mesin yang paling popular, PyTorch pada masa ini mempunyai lebih daripada 2,400 penyumbang, dan hampir 154,000 projek dibina pada PyTorch.
Misi teras Yayasan Linux adalah untuk membangunkan perisian sumber terbuka secara kolaboratif Ahli jawatankuasa pengurusan Yayasan semuanya daripada AMD, Amazon Web Services (AWS), Google Cloud, Meta , Microsoft Bagi syarikat seperti Azure dan NVIDIA, model ini konsisten dengan status semasa dan hala tuju pembangunan PyTorch. Penubuhan Yayasan PyTorch akan memastikan keputusan perniagaan dibuat secara telus dan terbuka oleh kumpulan ahli yang pelbagai pada tahun-tahun akan datang.
Soumith Chintala berkata, "Memandangkan PyTorch terus berkembang menjadi projek pelbagai pihak, sudah tiba masanya untuk beralih ke pangkalan sumber terbuka yang lebih luas" dan "Saya gembira kerana Yayasan Linux akan Menjadi rumah baharu kami kerana mereka mempunyai pengalaman luas menyokong projek sumber terbuka yang besar seperti kami seperti Kubernetes dan NodeJS.”
Zuckerberg turut disertakan dalam siaran Facebook, “PyTorch baharu Lembaga Pengarah Yayasan akan menyertakan ramai pemimpin AI yang telah membantu membawa komuniti ke tahap sekarang, termasuk Meta dan rakan kongsi kami di AMD, Amazon, Google, Microsoft dan NVIDIA Komuniti PyTorch Dan memajukan penyelidikan AI.” Torch memperkenalkan PyTorch. Ia adalah pakej pengkomputeran mampan berasaskan Python yang menyediakan dua ciri lanjutan: pengkomputeran tensor dengan pecutan GPU yang berkuasa (seperti NumPy), dan rangkaian saraf dalam termasuk sistem terbitan automatik. Sebagai salah satu rangka kerja pembelajaran mesin yang paling popular, PyTorch telah menduduki tempat teratas dengan cepat dalam senarai populariti GitHub sejak ia pertama kali bersumberkan terbuka di GitHub. Berbanding dengan satu lagi rangka kerja TensorFlow yang popular, PyTorch telah berkembang daripada hanya 7% penggunaan kepada hampir 80% dalam masa beberapa tahun sahaja.
Sejak PyTorch dicipta, lebih 2,400 penyumbang telah membina projek berdasarkan PyTorch, dengan hampir 154,000 projek dibina.
Soumith Chintala berkata bahawa tadbir urus perniagaan PyTorch telah lama tidak tersusun, dan ahli pasukan Meta telah menghabiskan banyak masa dan tenaga membina PyTorch menjadi entiti yang lebih sihat dari segi organisasi dan memperkenalkan banyak struktur. Pada peringkat seterusnya, matlamat pembangunan PyTorch adalah untuk menyokong kepentingan pelbagai pihak berkepentingan, itulah sebabnya Yayasan Linux dipilih "Ia mempunyai pengalaman organisasi yang luas dalam menganjurkan projek sumber terbuka berbilang pihak berkepentingan berskala besar, dan mempunyai struktur organisasi yang kukuh dan. Mencapai keseimbangan yang tepat dalam mencari penyelesaian khusus untuk projek ini ”
Pada masa ini, Yayasan Linux mempunyai ribuan ahli di seluruh dunia dan lebih daripada 850 projek sumber terbuka yang secara langsung menyokong AI/ Menyumbang kepada projek ML, atau menyumbang kepada kes penggunaan mereka dan berintegrasi dengan platform mereka, seperti LF Networking, AGL, Delta Lake, RISC-V, dsb. Sebagai sebahagian daripada Yayasan Linux, PyTorch dan komunitinya akan mendapat manfaat daripada sokongan pelbagai program dan aktiviti komuniti Yayasan Linux, termasuk program latihan dan pensijilan, penyelidikan komuniti dan banyak lagi.
PyTorch juga mempunyai akses kepada portal kerjasama LFX Yayasan Linux, yang menyediakan panduan dan membantu komuniti PyTorch mengenal pasti pemimpin masa depan, mencari pekerja berpotensi dan memerhatikan dinamik komuniti yang dikongsi. Yayasan Linux berkata, "PyTorch telah mencapai keadaan semasa melalui penyelenggaraan yang baik dan pengurusan komuniti sumber terbuka. Kami tidak akan mengubah sebarang kelebihan PyTorch." // pytorch.org/blog/PyTorchfoundation/
Atas ialah kandungan terperinci PyTorch dipindahkan ke Yayasan Linux, yang akan memberi impak besar kepada penyelidikan AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 22 Oktober bahawa pada suku ketiga tahun ini, iFlytek mencapai keuntungan bersih sebanyak 25.79 juta yuan, penurunan tahun ke tahun sebanyak 81.86% dalam tiga suku pertama ialah 99.36 juta yuan, a penurunan tahun ke tahun sebanyak 76.36%. Jiang Tao, naib presiden iFlytek, mendedahkan pada taklimat prestasi Q3 bahawa iFlytek telah melancarkan projek penyelidikan khas dengan Huawei Shengteng pada awal 2023, dan bersama-sama membangunkan perpustakaan pengendali berprestasi tinggi dengan Huawei untuk bersama-sama mewujudkan pangkalan baharu bagi buatan am China. kecerdasan untuk membenarkan model skala besar domestik Seni bina adalah berdasarkan perisian dan perkakasan inovatif secara bebas. Beliau menegaskan bahawa keupayaan semasa Huawei Ascend 910B pada asasnya setanding dengan Nvidia A100. Pada Festival Pembangun Global iFlytek 1024 yang akan datang, iFlytek dan Huawei akan membuat pengumuman bersama selanjutnya mengenai pangkalan kuasa pengkomputeran kecerdasan buatan. Beliau juga menyebut,

PyCharm ialah persekitaran pembangunan bersepadu (IDE) yang berkuasa dan PyTorch ialah rangka kerja sumber terbuka yang popular dalam bidang pembelajaran mendalam. Dalam bidang pembelajaran mesin dan pembelajaran mendalam, menggunakan PyCharm dan PyTorch untuk pembangunan boleh meningkatkan kecekapan pembangunan dan kualiti kod. Artikel ini akan memperkenalkan secara terperinci cara memasang dan mengkonfigurasi PyTorch dalam PyCharm, dan melampirkan contoh kod khusus untuk membantu pembaca menggunakan fungsi berkuasa kedua-dua ini dengan lebih baik. Langkah 1: Pasang PyCharm dan Python

Dalam tugas penjanaan bahasa semula jadi, kaedah pensampelan ialah teknik untuk mendapatkan output teks daripada model generatif. Artikel ini akan membincangkan 5 kaedah biasa dan melaksanakannya menggunakan PyTorch. 1. GreedyDecoding Dalam penyahkodan tamak, model generatif meramalkan perkataan urutan keluaran berdasarkan urutan input masa langkah demi masa. Pada setiap langkah masa, model mengira taburan kebarangkalian bersyarat bagi setiap perkataan, dan kemudian memilih perkataan dengan kebarangkalian bersyarat tertinggi sebagai output langkah masa semasa. Perkataan ini menjadi input kepada langkah masa seterusnya, dan proses penjanaan diteruskan sehingga beberapa syarat penamatan dipenuhi, seperti urutan panjang tertentu atau penanda akhir khas. Ciri GreedyDecoding ialah setiap kali kebarangkalian bersyarat semasa adalah yang terbaik

Sebelum kita memahami prinsip kerja Model Kebarangkalian Penyebaran Denoising (DDPM) secara terperinci, mari kita fahami dahulu beberapa perkembangan kecerdasan buatan generatif, yang juga merupakan salah satu penyelidikan asas DDPM. VAEVAE menggunakan pengekod, ruang terpendam kemungkinan dan penyahkod. Semasa latihan, pengekod meramalkan min dan varians setiap imej dan sampel nilai ini daripada taburan Gaussian. Hasil pensampelan dihantar ke penyahkod, yang menukar imej input ke dalam bentuk yang serupa dengan imej output. KL divergence digunakan untuk mengira kerugian. Kelebihan ketara VAE ialah keupayaannya untuk menghasilkan imej yang pelbagai. Dalam peringkat persampelan, seseorang boleh membuat sampel terus daripada taburan Gaussian dan menjana imej baharu melalui penyahkod. GAN telah mencapai kemajuan besar dalam pengekod auto variasi (VAE) dalam masa satu tahun sahaja.

Sebagai rangka kerja pembelajaran mendalam yang berkuasa, PyTorch digunakan secara meluas dalam pelbagai projek pembelajaran mesin. Sebagai persekitaran pembangunan bersepadu Python yang berkuasa, PyCharm juga boleh memberikan sokongan yang baik apabila melaksanakan tugas pembelajaran mendalam. Artikel ini akan memperkenalkan secara terperinci cara memasang PyTorch dalam PyCharm dan menyediakan contoh kod khusus untuk membantu pembaca mula menggunakan PyTorch dengan cepat untuk tugasan pembelajaran mendalam. Langkah 1: Pasang PyCharm Mula-mula, kita perlu pastikan kita ada

Pembelajaran mendalam merupakan satu cabang penting dalam bidang kecerdasan buatan dan semakin mendapat perhatian dan perhatian sejak beberapa tahun kebelakangan ini. Untuk dapat menjalankan penyelidikan dan aplikasi pembelajaran mendalam, selalunya perlu menggunakan beberapa rangka kerja pembelajaran mendalam untuk membantu melaksanakannya. Dalam artikel ini, kami akan memperkenalkan cara menggunakan PHP dan PyTorch untuk pembelajaran mendalam. 1. Apakah PyTorch? PyTorch ialah rangka kerja pembelajaran mesin sumber terbuka yang dibangunkan oleh Facebook Ia boleh membantu kami mencipta dan melatih model pembelajaran mendalam. PyTorc

Hello semua, saya Kite Dua tahun lalu, keperluan untuk menukar fail audio dan video kepada kandungan teks adalah sukar dicapai, tetapi kini ia boleh diselesaikan dengan mudah dalam beberapa minit sahaja. Dikatakan bahawa untuk mendapatkan data latihan, beberapa syarikat telah merangkak sepenuhnya video pada platform video pendek seperti Douyin dan Kuaishou, dan kemudian mengekstrak audio daripada video dan menukarnya ke dalam bentuk teks untuk digunakan sebagai korpus latihan untuk data besar. model. Jika anda perlu menukar fail video atau audio kepada teks, anda boleh mencuba penyelesaian sumber terbuka yang tersedia hari ini. Sebagai contoh, anda boleh mencari titik masa tertentu apabila dialog dalam filem dan rancangan televisyen muncul. Tanpa berlengah lagi, mari kita ke intinya. Whisper ialah Whisper sumber terbuka OpenAI Sudah tentu ia ditulis dalam Python Ia hanya memerlukan beberapa pakej pemasangan yang mudah.

Perhatian Pertanyaan Berkumpulan (GroupedQueryAttention) ialah kaedah perhatian berbilang pertanyaan dalam model bahasa besar Matlamatnya adalah untuk mencapai kualiti MHA sambil mengekalkan kelajuan MQA. GroupedQueryAttention kumpulan pertanyaan, dan pertanyaan dalam setiap kumpulan berkongsi berat perhatian yang sama, yang membantu mengurangkan kerumitan pengiraan dan meningkatkan kelajuan inferens. Dalam artikel ini, kami akan menerangkan idea GQA dan cara menterjemahkannya ke dalam kod. GQA ada dalam kertas GQA:TrainingGeneralizedMulti-QueryTransformerModelsfromMulti-HeadCheckpoint
