import torch
  class MyModule(torch.nn.Module):

    def __init__(self, N, M):
      super(MyModule, self).__init__()
      self.weight = torch.nn.Parameter(torch.rand(N, M))

    def forward(self, input):
      if input.sum() > 0:
        output = self.weight.mv(input)
      else:
        output = self.weight + input
      return output

    # Compile the model code to a static representation
    my_script_module = torch.jit.script(MyModule(3, 4))

    # Save the compiled code and model data so it can be loaded elsewhere
    my_script_module.save("my_script_module.pt")

可用于生产

PyTorch 通过 TorchScript 在 eager 模式下提供易用性和灵活性,同时无缝过渡到图模式,以实现 C++ 运行时环境中的速度、优化和功能。

TorchServe

TorchServe 是一种易于使用的工具,用于大规模部署 PyTorch 模型。它与云和环境无关,并支持多模型服务、日志记录、指标以及创建用于应用程序集成的 RESTful 端点等功能。

  ## Convert the model from PyTorch to TorchServe format
  torch-model-archiver --model-name densenet161 \
  --version 1.0 --model-file serve/examples/image_classifier/densenet_161/model.py \
  --serialized-file densenet161-8d451a50.pth \
  --extra-files serve/examples/image_classifier/index_to_name.json \
  --handler image_classifier

  ## Host your PyTorch model

 torchserve --start --model-store model_store --models densenet161=densenet161.mar
  import torch.distributed as dist
  from torch.nn.parallel import DistributedDataParallel
  
  dist.init_process_group(backend='gloo')
  model = DistributedDataParallel(model)

分布式训练

通过利用对集体操作的异步执行和可从 Python 和 C++ 访问的对等通信的原生支持,优化研究和生产中的性能。

移动(实验性)

PyTorch 支持从 Python 到在 iOS 和 Android 上部署的端到端工作流。它扩展了 PyTorch API,以涵盖将 ML 纳入移动应用程序所需的常见预处理和集成任务。

  ## Save your model
  torch.jit.script(model).save("my_mobile_model.pt")

  ## iOS prebuilt binary
  pod LibTorch
  ## Android prebuilt binary
  implementation 'org.pytorch:pytorch_android:1.3.0'

  ## Run your model (Android example)
  Tensor input = Tensor.fromBlob(data, new long[]{1, data.length});
  IValue output = module.forward(IValue.tensor(input));
  float[] scores = output.getTensor().getDataAsFloatArray();
  import torchvision.models as models
  resnet18 = models.resnet18(pretrained=True)
  alexnet = models.alexnet(pretrained=True)
  squeezenet = models.squeezenet1_0(pretrained=True)
  vgg16 = models.vgg16(pretrained=True)
  densenet = models.densenet161(pretrained=True)
  inception = models.inception_v3(pretrained=True)

强大的生态系统

一个活跃的研究人员和开发人员社区为 PyTorch 构建了一个丰富的工具和库生态系统,并支持从计算机视觉到强化学习等领域的开发。

原生 ONNX 支持

以标准 ONNX(开放神经网络交换)格式导出模型,以直接访问兼容 ONNX 的平台、运行时、可视化工具等。

  import torch.onnx
  import torchvision

  dummy_input = torch.randn(1, 3, 224, 224)
  model = torchvision.models.alexnet(pretrained=True)
  torch.onnx.export(model, dummy_input, "alexnet.onnx")
  #include <torch/torch.h>

  torch::nn::Linear model(num_features, 1);
  torch::optim::SGD optimizer(model->parameters());
  auto data_loader = torch::data::data_loader(dataset);

  for (size_t epoch = 0; epoch < 10; ++epoch) {
    for (auto batch : data_loader) {
      auto prediction = model->forward(batch.data);
      auto loss = loss_function(prediction, batch.target);
      loss.backward();
      optimizer.step();
    }
  }

C++ 前端

C++ 前端是 PyTorch 的纯 C++ 接口,遵循已建立的 Python 前端的设计和架构。它旨在支持高性能、低延迟和裸机 C++ 应用程序的研究。

云支持

PyTorch 在主要云平台上得到很好的支持,通过预构建的映像、GPU 上的大规模训练、在生产规模环境中运行模型的能力等,提供无摩擦的开发和轻松的扩展。

  export IMAGE_FAMILY="pytorch-latest-cpu"
  export ZONE="us-west1-b"
  export INSTANCE_NAME="my-instance"
  
  gcloud compute instances create $INSTANCE_NAME \
    --zone=$ZONE \
    --image-family=$IMAGE_FAMILY \
    --image-project=deeplearning-platform-release