PyTorch 1.6、TensorFlow 2.3、Pandas 1.1 同日发布！都有

7月29日，PyTorch 1.6、TenorFlow 2.3、Pandas 1.1恰巧同时发布。这三个库都是定期滚动更新，大约每个季度更新一次小版本。

 

在AI内卷化达到“灰飞烟灭”的今日，仅仅会对PyTorch或TensorFlow进行调用已经不具有竞争力。所有研发者都需要同时了解PyTorch和TensorFlow，并精通其中一种,需要同时了解PyTorch和TensorFlow的原因在于：(1) 绝大多数情况下研发人员并没有太多选择框架的自由。选择PyTorch还是TensorFlow主要取决于团队积累和项目基础设施情况；(2) 如果你已经达到可以为团体选框架的程度，那在做选择时则需要同时熟悉PyTorch和TensorFlow的生态，才能做出较佳选择。

 

精通PyTorch或是TensorFlow，则要求不仅仅会掉包调参，并且 (1) 具有较为丰富的分布式训练和调参经验，这个是目前大型研究必备技能；(2) 了解框架的内部实现，可以对框架的功能扩展或错误定位，能参与工程部署。而这两者都可以通过为PyTorch或TensorFlow贡献源码来积累经验（虽然前者可能需要依托实验室或大型企业的基础设施）。

 

说到PyTorch 1.6，它的特性也涉及到分布式训练、部署等内容。PyTorch 1.6相比于上一稳定版本的更新包括：

 

(1) 原生支持GPU混合精度训练（Automatic mixed precision，AMP），据说这个特性是NVIDIA团队加持的。

 

(2) 分布式训练和RPC通信：TensorPipe原生的支持张量。TensorPipe是PyTorch分布式训练的通信工具，详情可参阅GitHub：pytorch/tensorpipe。还有其他分布式并行训练（Distributed Data Parallel，DDP）和（Remote Procedural Call，RPC）包的改进。

 

(3) 复数张量运算和其他新的运算，如torch.logcumsumexp()、torch.logaddexp()、torch.rad2deg()、torch.deg2rad()、torch.arccosh()、torch.arcsinh()、torch.arctanh()等，新的激活层torch.nn.Hardswish。

 

(4) 从张量层面分析内存消耗。

 

PyTorch内存消耗分析示例

 

import torch

import torchvision.models as models

import torch.autograd.profiler as profiler

 

model = models.resnet18()

inputs = torch.randn(5, 3, 224, 224)

with profiler.profile(profile_memory=True, record_shapes=True) as prof:

    model(inputs)

 

# NOTE: some columns were removed for brevity

print(prof.key_averages().table(sort_by="self_cpu_memory_usage", row_limit=10))

# ---------------------------  ---------------  ---------------  ---------------

# Name                         CPU Mem          Self CPU Mem     Number of Calls

# ---------------------------  ---------------  ---------------  ---------------

# empty                        94.79 Mb         94.79 Mb         123

# resize_                      11.48 Mb         11.48 Mb         2

# addmm                        19.53 Kb         19.53 Kb         1

# empty_strided                4 b              4 b              1

# conv2d                       47.37 Mb         0 b              20

# ---------------------------  ---------------  ---------------  ---------------

 

PyTorch 1.6也有一些和之前版本不兼容的改进。在数值方面主要包括整数除法的运算结果的改变。

 

PyTorch除法行为变化示例

 

PyTorch 1.5.1行为

 

>>> torch.tensor(3) / torch.tensor(2)

../aten/src/ATen/native/BinaryOps.cpp:81: UserWarning: Integer

division of tensors using div or/ is deprecated, and in a future

release div will perform true division asinPython3.Use true_divide

or floor_divide (// in Python) instead.

tensor(1)

 

PyTorch 1.6行为

 

>>># NB: the following is equivalent to

>>># torch.floor_divide(torch.tensor(3), torch.tensor(2))

>>> torch.tensor(3) // torch.tensor(2)

tensor(1)

 

TF团队和PyTorch团队的更新侧重点大同小异，更新也主要在分布式、性能监控等方面。tf.distribute.TPUStrategy在TF2.3成为了稳定API，性能监控也不约而同的增强了对内存的监控。在部署方面，tf.lite大大增强，针对Android和iOS的CPU/GPU性能都有优化。

 

Pandas 1.1增加了许多方便的小函数。小编觉得最有用的两组更新是：(1) DataFrame.compare() 函数和Series.compare() 函数，可以很方便地比较两个DataFrame或是两个Series。(2) DataFrame排序可以基于关键字key了，排序灵活了不少。

 

TensorFlow、PyTorch、Pandas这三个库作为AI开发者的必备库，目前都较为稳定，更新内容也基本在预料之中。它们的更新也充分体现了目前AI发展的趋势。在可预见的未来，这两个库都会继续成为AI开发的主力库。

 

作者：肖智清，清华大学工学博士。著有《与PyTorch实战》《强化学习：原理与Python实战》。scipy、sklearn等开源项目源码贡献者。近7年发表SCI/EI论文十余篇，多个较高级期刊和会议审稿人。在国内外多项程序设计和数据科学竞赛上获得冠军。