2023年3月15日
PyTorch 2.0：我们更快、更具 Pythonic 和更动态的下一代版本
我们很高兴地宣布 PyTorch® 2.0 的发布，我们已在 22 年 12 月 2 日的 PyTorch 大会上重点介绍了它！PyTorch 2.0 提供相同的 eager 模式开发和用户体验，同时从根本上改变并增强了 PyTorch 在幕后的编译器层面的操作方式，带来了更快的性能以及对动态形状和分布式的支持。
2023年2月2日
弃用 CUDA 11.6 和 Python 3.7 支持
对于即将发布的 PyTorch 2.0 特性版本（目标日期：2023年3月），我们将以 CUDA 11.7 作为稳定版本，CUDA 11.8 作为实验版本，并支持 Python >=3.8, <=3.11。
2023年1月9日
大众化的 PyTorch Trace 分析
我们很高兴地宣布 Holistic Trace Analysis (HTA) 的公开发布，这是一个面向 PyTorch 用户的开源性能分析和可视化 Python 库。HTA 将 PyTorch profiler 收集的 Kineto traces 作为输入，这些 traces 复杂且难以解释，HTA 能够提升这些 traces 中包含的性能信息的可读性。它最初由 Meta 在内部开发，用于理解和调试 GPU 上大规模分布式训练作业的性能问题。这...
2022年12月31日
2022年12月25日至12月30日期间 PyTorch-nightly 依赖链被破坏。
如果您在 2022 年 12 月 25 日至 2022 年 12 月 30 日期间通过 pip 在 Linux 上安装了 PyTorch-nightly，请立即卸载它和 torchtriton，并使用最新的 nightly 二进制文件（晚于 2022 年 12 月 30 日）。
2022年12月28日
Torchserve 性能调优，动画绘画案例研究
在本文中，我们讨论 Torchserve 的性能调优，用于在生产环境中服务您的模型。机器学习项目生命周期中最大的挑战之一是将模型部署到生产环境。这需要可靠的服务解决方案以及解决 MLOps 需求的方案。一个强大的服务解决方案需要支持多模型服务、模型版本控制、指标记录、监控和扩展以应对峰值流量。在本文中，我们将概述 Torchs...
