认识PyTorch2.0及安装过程

一、什么是PyTorch

在这里插入图片描述
PyTorch 是一个优化的张量库，用于使用 GPU 和 CPU 进行深度学习。它提供了一个非常灵活的、高性能的深度学习平台，允许用户使用Python代码来定义、训练和部署各种深度学习模型，如神经网络、卷积神经网络、递归神经网络等。

PyTorch的一个主要特点是其动态计算图。相比于其他框架，如TensorFlow和Keras，PyTorch的计算图可以根据数据和模型结构的变化进行调整。这意味着，可以使用Python控制结构（如循环和条件语句）来构建动态计算图，从而使得模型的开发过程更加灵活和直观。

此外，PyTorch还提供了丰富的工具和库，例如自动微分、优化器、损失函数等，以帮助用户更轻松地构建和训练深度学习模型。

二、PyTorch 2.0

今年3月PyTorch 2.0稳定版正式发布，延续了之前的 eager 模式，同时从根本上改进了 PyTorch 在编译器级别的运行方式。PyTorch 2.0 能为「Dynamic Shapes」和分布式运行提供更快的性能和更好的支持。
PyTorch 2.0 官宣了一个重要特性 —— torch.compile，这一特性将 PyTorch 的性能推向了新的高度，并将 PyTorch 的部分内容从 C++ 移回 Python。torch.compile 是一个完全附加的（可选的）特性，因此 PyTorch 2.0 是 100% 向后兼容的。
支撑 torch.compile 的技术包括研发团队新推出的 TorchDynamo、AOTAutograd、PrimTorch 和 TorchInductor。

TorchDynamo：使用 Python Frame Evaluation Hooks 安全地捕获 PyTorch 程序，这项重大创新是 PyTorch 过去 5 年来在安全图结构捕获方面的研发成果汇总；

AOTAutograd：重载 PyTorch 的 autograd 引擎，作为一个跟踪 autodiff，用于生成 ahead-of-time 向后跟踪；

PrimTorch：将约 2000 多个 PyTorch 算子归纳为一组约 250 个原始算子的闭集，开发人员可以将其作为构建完整 PyTorch 后端的目标。这大大降低了编写 PyTorch 功能或后端的流程；

TorchInductor：是一种深度学习编译器，可为多个加速器和后端生成快速代码。对于 NVIDIA GPU，它使用 OpenAI Triton 作为关键构建块。

TorchDynamo、AOTAutograd、PrimTorch 和 TorchInductor 是用 Python 编写的，并支持 dynamic shapes（无需重新编译就能发送不同大小的向量），这使得它们具备灵活、易于破解的特性，降低了开发人员和供应商的使用门槛。

为了验证这些技术，研发团队在机器学习领域测试了 163 个开源模型，包括图像分类、目标检测、图像生成等、NLP 任务，如语言建模、问答、序列分类、推荐系统和强化学习任务，测试模型主要有 3 个来源：

46 个来自 HuggingFace Transformers 的模型；

来自 TIMM 的 61 个模型：由 Ross Wightman 收集的SOTA PyTorch 图像模型；

来自 TorchBench 的 56 个模型：包含来自 Github 上收集的一组流行代码库。

对于开源模型，PyTorch 官方没有进行修改，只是增加了一个 torch.compile 调用来进行封装

接下来 PyTorch 工程师在这些模型中测量速度并验证精度，由于加速可能取决于数据类型，因此研究团队选择测量 Float32 和自动混合精度 (AMP) 的加速。

在 163 个开源模型中，该团队发现使用 2.0 可以将训练速度提高 38-76%。torch.compile 在 93% 的情况下都有效，模型在 NVIDIA A100 GPU 上的训练速度提高了 43%。在 Float32 精度下，它的平均运行速度提高了 21%，而在 AMP 精度下，它的运行速度平均提高了 51%。
在这里插入图片描述

注意事项：官方测得在 NVIDIA 3090 等桌面级 GPU 上的加速比 A100 等服务器级 GPU 低。截至今天，我们的默认后端 TorchInductor 支持 CPU 以及 NVIDIA Volta 和 Ampere GPU。它（目前）不支持其他 GPU、xPU 或较旧的 NVIDIA GPU。

详细信息可参考官方文档：https://pytorch.org/get-started/pytorch-2.0/

三、PyTorch的安装：

1、支持的 Windows 发行版

以下 Windows 发行版支持 PyTorch：

Windows 7 及更高版本；建议使用Windows 10或更高版本。
Windows Server 2008 r2 及更高版本

2、 Python

目前，Windows 上的 PyTorch 仅支持 Python 3.7-3.9；不支持 Python 2.x。
由于在 Windows 上没有默认安装，安装 Python 有多种方法：

Chocolatey
Python website
Anaconda

详细的安装方式这里就不赘述了，下载安装指引可以参考python官网：https://wiki.python.org/moin/BeginnersGuide/Download

3、如何安装：

3.1 选择版本

进入Pytorch官网可以看到最新版Pytorch的安装命令及其对应的CUDA版本（2.0只支持CUDA 11.7和CUDA 11.8版本，可以根据自身电脑支持的版本选择）：
在这里插入图片描述

3.2 详细安装命令：

Windows 安装：

PIP安装：

# CUDA 11.7
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
# CUDA 11.8
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# CUP
pip3 install torch torchvision torchaudio

Conda安装：

# CUDA 11.7
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
# CUDA 11.8
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia		
# CUP
conda install pytorch torchvision torchaudio cpuonly -c pytorch

Linux安装：

PIP安装：

# CUDA 11.7
pip3 install torch torchvision torchaudio
# CUDA 11.8
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# ROCm 5.4.2
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm5.4.2
# CUP
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

Conda安装：

# CUDA 11.7
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
# CUDA 11.8
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
# ROCm 5.4.2
NOTE: Conda packages are not currently available for ROCm, please use pip instead
# CUP
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

3.3 执行安装：

本文选择Windows的CUP版本通过PIP安装，在终端使用官方的命令执行：
在这里插入图片描述

3.4 检查安装的版本：

import torch
print(torch.__version__)

在这里插入图片描述
现在就可以使用PyTorch进行相关的深度学习实验建模啦。。。