PyTorch 2.0正式版終於來了！
去年12月，PyTorch基金會在PyTorch Conference 2022上發布了PyTorch 2.0的第一個預覽版本。
跟先前1.0版本相比，2.0有了顛覆式的變化。在PyTorch 2.0中，最大的改進是torch.compile。
新的編譯器比先前PyTorch 1.0中預設的「eager mode」所提供的即時產生程式碼的速度快得多，讓PyTorch效能進一步提升。
除了2.0之外，還發布了一系列PyTorch域庫的beta更新，包括那些在樹中的庫，以及包括TorchAudio、TorchVision和TorchText在內的獨立庫。 TorchX的更新也同時發布，可以提供社群支援模式。
#-torch.compile是PyTorch 2.0的主要API，它包裝並返回編譯後的模型，torch.compile是一個完全附加（和可選）的特性，因此2.0版本是100%向後相容的。
-作為torch.compile的基礎技術，帶有Nvidia和AMD GPU的TorchInductor將依賴OpenAI Triton深度學習編譯器來產生高效能程式碼，並隱藏低階硬體細節。 OpenAI Triton產生的核心實現的效能，與手寫核心和cublas等專門的cuda庫相當。
-Accelerated Transformers引入了對訓練和推理的高效能支持，使用自訂核心架構實現縮放點積注意力 (SPDA)。 API與torch.compile () 集成，模型開發人員也可以透過呼叫新的scaled_dot_product_attention () 運算符，直接使用縮放的點積注意力內核。
-Metal Performance Shaders (MPS) 後端在Mac平台上提供GPU加速的PyTorch訓練，並增加了對前60個最常用操作的支持，覆蓋了300多個操作符。
-Amazon AWS優化了基於AWS Graviton3的C7g實例上的PyTorch CPU推理。與先前的版本相比，PyTorch 2.0提高了Graviton的推理效能，包括對Resnet50和Bert的改進。
-跨TensorParallel、DTensor、2D parallel、TorchDynamo、AOTAutograd、PrimTorch和TorchInductor的新原型功能和技術。
PyTorch 2.0的最新編譯器技術包括：TorchDynamo、AOTAutograd、PrimTorch和TorchInductor。所有這些都是用Python開發的，而不是C （Python與之相容）。
並且也支援dynamic shape，無需重新編譯就能發送不同大小的向量，靈活且易學。
它可以藉助Python Frame Evaluation Hooks，安全地獲取PyTorch程序，這項重大創新是PyTorch過去5 年來在安全圖結構捕獲(safe graph capture) 方面的研發成果總結。
重載PyTorch autograd engine，作為一個 tracing autodiff，用於產生超前的backward trace。
將2000 PyTorch 算子歸納為約250 個primitive operator 閉集(closed set)，開發者可以針對這些算子建構一個完整的PyTorch 後端。 PrimTorch 大大簡化了編寫 PyTorch 功能或後端的流程。
TorchInductor一個深度學習編譯器，可以為多個加速器和後端產生 fast code。對於 NVIDIA GPU，它使用 OpenAI Triton 作為關鍵建置模組。
PyTorch基金會稱，2.0的推出將推動「從C 回到Python」，並補充說這是PyTorch的一個實質性的新方向。
「從第一天起，我們就知道「eager execution」的效能限制。 2017年7月，我們開始了第一個研究項目，為PyTorch開發一個編譯器。編譯器需要讓PyTorch程式快速運行，但不能以PyTorch的體驗為代價，還要保留靈活易用性，這樣的話可以支援研究人員在不同探索階段使用動態的模型和程式。 」
當然了，非編譯的「eager mode」使用動態即時程式碼產生器，在2.0中仍然可用。開發者可以使用porch.compile指令迅速升級到編譯模式，只需要增加一行程式碼。
使用者可以看到2.0的編譯時間比1.0增加43%。
這個資料來自PyTorch基金會在Nvidia A100 GPU上使用PyTorch 2.0對163個開源模型進行的基準測試，其中包含包含影像分類、目標偵測、影像生成等任務，以及各種NLP 任務。
這些Benchmark分為三個類別：HuggingFace Tranformers、TIMM和TorchBench。
NVIDIA A100 GPU eager mode torch.compile 針對不同模型的提速表現
#據PyTorch基金會稱，新編譯器在使用Float32精度模式時運行速度提高了21%，在使用自動混合精度（AMP）模式時運行速度提高了51%。
在這163個模型中，torch.compile可以在93%模型上正常運作。
「在PyTorch 2.x的路線圖中，我們希望在效能和可擴展性方面讓編譯模式越走越遠。有一些工作還沒有開始。有些工作因為頻寬不夠而辦法落地。」
此外，性能是PyTorch 2.0的另一個主要重點，也是開發人員一直不吝於宣傳的一個重點。
事實上，新功能的亮點之一是Accelerated Transformers，之前被稱為Better Transformers。
另外，PyTorch 2.0正式版包含了一個新的高效能PyTorch TransformAPI實作。
Transformers是幫助實現現代生成式人工智慧時代的基礎技術，包括GPT-3以及GPT-4這樣的OpenAI模型。 ###########################在PyTorch 2.0 Accelerated Transformers中，使用了自訂核心架構的方法（也稱為縮放點積注意力SDPA），為訓練和推理提供高性能的支援。 ##########
由於有多種類型的硬體可以支援Transformers，PyTorch 2.0可以支援多個SDPA自訂核心。更進一步，PyTorch整合了自訂核心選擇邏輯，將為給定的模型和硬體類型挑選最高效能的核心。
加速的影響非同小可，因為它有助於使開發人員比以前的PyTorch迭代更快地訓練模型。
新版本能夠實現對訓練和推理的高性能支持，使用定制的內核架構來處理縮放點積注意力(SPDA) ，擴展了推理的快速路徑架構。
與fastpath架構類似，客製化核心完全整合到PyTorch TransformerAPI中--因此，使用本地Transformer和MultiHeadAttention API將使用戶能夠：
-看到速度明顯提升；
-支援更多的用例，包括使用交叉注意的模型、Transformer解碼器和訓練模型；
-繼續將快速路徑推理用於固定和可變序列長度的變形器編碼器和自註意力機制的用例。
為了充分利用不同的硬體模型和Transformer用例，支援多個SDPA自訂內核，自訂內核選擇邏輯將為特定模型和硬體類型挑選最高效能的核心。
除了現有的Transformer API，開發者還可以透過呼叫新的scaled_dot_product_attention()操作符直接使用縮放點積注意力關注內核，加速PyTorch 2 Transformers與torch.compile()整合。
為了在使用模型的同時，還能得到PT2編譯的額外加速（用於推理或訓練），可以使用model = torch.compile(model )對模型進行預處理。
目前，已經使用自訂核心和torch.compile()的組合，在訓練Transformer模型，特別是使用加速的PyTorch 2 Transformer的大型語言模型方面取得實質加速提升。
使用自訂核心和torch.compile來提供對大型語言模型訓練顯著加速
HuggingFace Transformers的主要維護者Sylvain Gugger在PyTorch專案發表的聲明中寫道「只需添加一行程式碼，PyTorch 2.0就能在訓練Transformers模型時提供1.5倍至2.0倍的速度。這是自混合精度訓練推出以來最令人興奮的事情！」
PyTorch和Google的TensorFlow是兩個最受歡迎的深度學習框架。世界上有數千家機構正在使用PyTorch開發深度學習應用程序，而且它的使用量正在增加。
PyTorch 2.0的推出將有助於加速深度學習和人工智慧應用的發展，Lightning AI的首席技術長和PyTorch Lightning的主要維護者之一Luca Antiga表示:
「PyTorch 2.0 體現了深度學習框架的未來。不需要用戶幹預即可捕獲PyTorch 程序，開箱即用的程序生成，以及巨大的設備加速，這種可能性為人工智慧開發人員開啟了一個全新的維度。」
參考資料：
https://www.php.cn/link/d6f84c02e2a54908d96f410083beb6e0
#https://www.php.cn/link/89b9e0a6f6d1505fe13dea0f18a2dcfa
##https:// www .php.cn/link/3b2acfe2e38102074656ed938abf4ac3
以上是PyTorch 2.0正式版發布！一行程式碼提速2倍，100%向後相容的詳細內容。更多資訊請關注PHP中文網其他相關文章！
