2018 年 5 月 2 日
通往 1.0 版本的道路：生产就绪的 PyTorch
我们将为您展示 PyTorch 1.0 的路线图预览，这是 PyTorch 的下一个版本。在过去的一年里，我们发布了 0.2、0.3 和 0.4 版本，将 PyTorch 从类似[Torch+Chainer]的接口转变为更简洁的界面，增加了双向反向传播、类似 NumPy 的函数、高级索引，并移除了 Variable 模板代码。目前，我们相信 API 已经处于合理且稳定的状态，可以自信地发布 1.0 版本。然而，1.0 不仅仅关乎接口的稳定性。一...
2018 年 4 月 22 日
PyTorch 0.4.0 迁移指南
欢迎阅读 PyTorch 0.4.0 的迁移指南。在这个版本中，我们引入了许多令人兴奋的新功能和关键错误修复，目标是提供更好、更简洁的接口。在本指南中，我们将介绍迁移现有代码到先前版本时最重要的更改：张量和变量的合并、支持 0 维（标量）张量、废弃 volatile 标志、数据类型、设备以及 NumPy 风格的张量创建函数。
2018 年 3 月 5 日
PyTorch 中的张量推导式（Tensor Comprehensions）
张量推导式（Tensor Comprehensions，TC）是一个降低编写高性能代码门槛的工具。它可以从简单的高级语言生成 GPU 代码，并针对特定的输入大小自动调整代码。我们强烈建议先阅读 Tensor Comprehensions 博客文章。如果你遇到过以下任何一种情况，TC 对你来说会是一个有用的工具。你的 PyTorch 层庞大且缓慢，你考虑过为其编写专门的 C++或 CUDA 代码。但你不知道如何用 CUDA 编程或编写底层代码。你编写了一个 CUDA 层，但花费了一周时间来编写、调试和优化速度。你希望自己能在一小时内完成这项工作。你想为了速度融合网络中的多个层，例如 Conv-ReLU-BatchNorm 或 Linear-ReLU-Linear-ReLU，但这理解和实现起来相当困难。你的研究涉及 CuDNN 和 MKL 未优化的奇怪张量形状。例如，你对 143 x 55 的输入图像进行 13 x 24 的卷积。你尝试用 CuDNN 运行它，但速度比你希望的要慢。
2018 年 1 月 19 日
PyTorch，一年回顾...
今天是 PyTorch 公开发布一周年的日子。这一年，我们经历了惊心动魄的旅程——我们的目标是构建一个灵活的深度学习研究平台。在过去的一年里，我们见证了一个令人惊叹的社区，人们在使用、贡献和推广 PyTorch——感谢你们的喜爱。回顾过去，我们希望总结过去一年的 PyTorch：进展、新闻和社区亮点。社区我们很幸运地拥有一个强大的自然社区，包括研究人员和工程师...
2017 年 6 月 27 日
PyTorch 内部揭秘 II - 构建系统
在第一篇帖子中，我解释了如何生成一个可以在 Python 解释器中使用的 torch.Tensor 对象。接下来，我将探讨 PyTorch 的构建系统。PyTorch 代码库包含各种组件：核心 Torch 库：TH、THC、THNN、THCUNN；供应商库：CuDNN、NCCL；Python 扩展库；以及其他第三方库：NumPy、MKL、LAPACK。简单的 python setup.py install 命令是如何工作的，使得你可以调用 import torch 并使用...
2017 年 5 月 11 日
PyTorch 内部结构探秘（第一部分）
PyTorch 的基本单元是 Tensor。本文将概述我们在 PyTorch 中实现 Tensor 的方法，以便用户可以从 Python shell 与之交互。特别是，我们想要回答以下四个主要问题：PyTorch 是如何扩展 Python 解释器以定义一个可以从 Python 代码中操作的 Tensor 类型的？PyTorch 是如何封装定义 Tensor 属性和方法的 C 库的？PyTorch 的 cwrap 是如何工作的以生成...
