深度学习框架PyTorch为何值得学

大家知道，深度学习的发展和推进，在某种程度上也是一场框架的争夺战，其中 Google 发布的TensorFlow和 Facebook 主力支持的 PyTorch 是最耀眼的两颗明星。我们今天就来看看其中一位明星 PyTorch，看看它为何值得学。

简单介绍

PyTorch 强调从研究到生产

来源：https://pytorch.org/

平台，提供从研究原型到生产部署的无缝路径（An open source deep learning platform that provides a seamless path from research prototyping to production deployment）。

PyTorch 的流行度仅次于TensorFlow。而最近一年，在 GitHub 关注度和贡献者的增长方面，PyTorch 跟TensorFlow基本持平。甚至，PyTorch 的搜索热度持续上涨，加上 FastAI 的加持，PyTorch 无疑会得到越来越多的机器学习从业者的青睐。

流行度虽然可以说明问题，但是，你一定要知道更多，才能明白 PyTorch 为什么值得学，你在什么情况下需要学习  PyTorch 。

PyTorch 关键发展节点

2017 年 1 月，Facebook AI 研究团队发布 PyTorch，一个基于 Torch 的 Python 工具包，专门用于 GPU 加速的深度学习编程。

2017 年 8 月，PyTorch V 0.2.0 发布，引入广播、高级索引、高阶梯度、新图层，以及分布式训练等，前两者进一步方便了 Tensor 与 Numpy 互转。

2018 年 4 月，Caffe2 代码合并到 PyTorch。Facebook 打算将 PyTorch 的研究特性与 Caffe2 的生产特性更好地结合起来。

2018 年 4 月，PyTorch V 0.4.0 发布，新特性包括 Tensor 和 Variable 合并，强化 Numpy 风格的 Tensor 构建等，并正式支持 Windows 系统。

2018 年 10 月，PyTorch V 1.0.0 发布，融合 PyTorch 自身灵活性、研究优势与 Caffe2 的后端与应用能力、ONNX 的框架转换能力于一体；同时 FastAI V1.0 发布，可用单一 API 玩转常见深度学习应用，大大降低了深度学习的学习门槛。

2019 年 5 月，PyTorch V 1.1 发布，提供了新的 API，原生支持TensorBoard和自定义循环神经网络，并提升了性能。

PyTorch 刚走过了 2 年 4 个月的时间，发展相当迅速。

PyTorch 当前稳定版及相关配置

来源：https://pytorch.org/

受欢迎程度

Jeff Hale 4 月份在 Medium 上发表了一篇文章，比较了TensorFlow、PyTorch、keras 和 FastAI 的流行度，全面涵盖职位需求、使用、学术研究和兴趣等维度。

Jeff 根据多个招聘网站在线职位搜索、Google Trends、GitHub 活跃度、Arxiv 文章数、Medium 文章数、Quora 相关问题关注人数统计计算出了一个综合的增长分数。我们这里引用一下最终结果图片：

深度学习框架半年增长分数

（2018 年 10 月－2019 年 3 月）

稳居第一，而 PyTorch 表现也非常抢眼，未来的需求和发展非常值得期待。

PyTorch 核心优势：动态计算图

PyTorch  是一款强大的动态计算图模式的深度学习框架。大部分框架是静态计算图模式，其应用模型在运行之前就已经确定了，而 PyTorch 支持在运行过程中根据运行参数动态改变应用模型。

可以简单理解为：一种是先定义后使用，另一种是边使用边定义。动态计算图模式是 PyTorch 的天然优势之一，Google 今年 3 月份发布的TensorFlow2.0 Alpha 版本中的 Eager Execution，被认为是在动态计算图模式上追赶 PyTorch 的举措。

静态计算图模式框架在执行计算图之前需要先声明和编译。 虽然在实际生产中这种实现比较高效，但在研究和开发中非常繁琐。

以 PyTorch 为代表的动态计算图框架则无需在每次执行之前编译模型。在建模 NLP 任务时，每个输入都可能导致不同的图结构，因此动态图就绝对占优了——这也是 PyTorch 在处理很多问题上（尤其是 RNN 相关问题）更高效的原因。

此外，动态图机制在调试方面非常方便，基本上，如果计算图运行出错，就可以在堆栈跟踪定义图的代码行。有人形容调试  PyTorch 就跟调试 Python 一样，通过断点检查就可以高效解决问题。

PyTorch 更多优势

• 无缝接入 Python 生态圈，张量、变量与 Numpy 互转

• 在张量之上封装变量，方便构建神经网络

• 强大的后端功能

• 命令式编程风格

• 扩展性极好

• 广泛应用于 NLP 之外的多种深度学习应用

• 富有活力的社区和背后大厂 Facebook 支持

• ......

深入了解与使用 PyTorch

如果你想深入细致了解使用 PyTorch 快速高效地构建深度学习模型，那么——

资深数据科学家 Rich Ott  在O’Reilly主办的 AI  Conference 2019 北京站 上主讲的 「PyTorch深度学习」 课程值得学习，学习时间为期两天，具体为 6 月 18 日 ~ 6 月 19 日。

有志于将来投身人工智能领域的 Python 开发者、Python数据分析师，以及想进一步深入理解 PyTorch 的机器学习工程师、算法工程师，不要错过这次与国外资深专业人士一起学习的机会。

导师：Richard Ott

The Data Incubator数据科学家，热爱数据科学，并致力于数据知识的传播与教学。曾在 Verizon 担任数据科学家和软件工程师。麻省理工学院粒子物理学博士，加州大学戴维斯分校博士后。

学习内容

• 学习 PyTorch张量和自动求导包

• 多种 PyTorch深度学习模型架构

• 使用真实数据集构建和训练深度神经网络

前置知识

• 基本的 Python 知识

• 简单的矩阵和线性代数知识

• 建模和机器学习基础

• 神经网络基础

课程大纲

6 月 18 日

• PyTorch张量

• 自动求导包

• 神经网络

• 多层感知机

6 月 19 日

• 神经网络架构

• 卷积神经网络

• 自动编码器

参考资料

Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning

https://towardsdatascience.com/which-deep-learning-framework-is-growing-fastest-3f77f14aa318

https://www.ibm.com/developerworks/cn/cognitive/library/cc-get-started-pytorch/index.html

https://venturebeat.com/2019/05/01/facebook-launches-pytorch-1-1-with-tensorboard-support/