新版本: PyTorch 1.11 版本，TorchData和functorch现已可用
发布: 2022年03月28日
译者：@片刻
原文: https://pytorch.org/blog/pytorch-1.11-released/
翻译: https://pytorch.apachecn.org/LatestChanges/PyTorch_V1.11
来自 PyTorch团队
我们很高兴地宣布PyTorch 1.11(发布说明)的发布。此版本由自1.10以来的3300多个提交组成，由434个贡献者完成。与1.11一起，我们正在发布TorchData和functorch的测试版。
总结：
- TorchData是一个用于通用模块化数据加载原语的新库，用于轻松构建灵活和高性能的数据管道。在GitHub上查看。
- functorch是一个将可组合函数转换添加到PyTorch的库，现在有测试版。在GitHub上查看。
- 分布式数据并行(DDP)静态图优化在稳定中可用。
介绍 TorchData
我们很高兴推出TorchData的测试版。这是一个常见的模块化数据加载原语库，用于轻松构建灵活且高性能的数据管道。根据社区反馈，我们发现现有的DataLoader捆绑了太多的功能，可能很难扩展。此外，不同的用例通常必须一遍又一遍地重写相同的数据加载实用程序。这里的目标是通过称为“DataPipes”的可迭代样式和地图样式的构建块实现可组合数据加载，这些构建块与PyTorch的DataLoader开箱即用。
DataPipe 在Python数据结构上接受一些访问函数，其中 __iter__ 用于 IterDataPipe， __getitem__ 用于 MapDataPipe 并返回一个新的访问函数，并应用一个轻微的转换。您可以将多个 DataPipe 链接在一起，以形成执行所有必要数据转换的数据管道。
我们已经实现了50多个DataPipes，这些数据管道提供了不同的核心功能，例如打开文件、解析文本、转换样本、缓存、洗牌和批处理。对于有兴趣连接到云提供商(如Google Drive或AWS S3)的用户，fsspec和iopath DataPipes将允许您这样做。该文档提供了每个IterDataPipe和MapDataPipe的详细解释和使用示例。
在此版本中，一些PyTorch域库已将其数据集迁移到使用DataPipes。在TorchText中，库提供的流行数据集是使用DataPipes实现的，其SST-2二进制文本分类教程的一部分演示了如何使用DataPipes来预处理模型的数据。在TorchVision(在夜间版本中提供)和TorchRec中，还有其他带有DataPipes的数据集原型实现。你可以在这里找到更具体的例子。
TorchData的文档现已上线。它包含一个教程，涵盖了如何使用DataPipes，将其与DataLoader一起使用，以及实现自定义Pipes。与DataLoader相关的常见问题解答和未来计划在我们的项目的README文件中描述。
介绍 functorch
我们很高兴地宣布functorch的第一个测试版。深受Google JAX的启发，functorch是一个为PyTorch添加可组合函数转换的库。它旨在提供可组合的vmap(矢量化)和autodiff转换，与PyTorch模块和PyTorch autograd配合使用，具有良好的渴望模式性能。
可组合函数转换可以帮助解决许多当今在PyTorch中棘手的用例：
- 计算每个样本梯度(或其他每个样本的数量)
- 在一台机器上运行模型合奏
- 在MAML的内循环中高效地将任务批处理在一起
- 高效计算雅各比人和黑塞人以及批处理的
编写vmap(矢量化)、vjp(反向模式AD)和jvp(正向模式AD)转换使我们能够毫不费力地表达上述内容，而无需为每个库设计一个单独的库。
分布式训练
(Stable)DDP静态图
DDP静态图假设您的模型在每次迭代中都使用相同的使用/未使用的参数集，因此它可以确定性地知道状态，例如哪个钩子将触发，钩子将触发多少次，以及第一次迭代后梯度计算就绪顺序。静态图在第一次迭代中缓存这些状态，因此它可以支持DDP在以前版本中无法支持的功能，例如，支持同一参数上的多个激活检查点，无论是否有未使用的参数。静态图形功能还在有未使用的参数时应用性能优化，例如，它避免了每次迭代都通过遍历图形来搜索未使用的参数，并启用动态桶式顺序。DDP静态图中的这些优化为一些推荐模型带来了10%的QPS增益。
要启用静态图，只需在DDP API中设置 static_graph=True，如下：
感谢您的阅读，如果您对这些更新感兴趣，并想加入PyTorch社区，我们鼓励您加入讨论论坛并打开GitHub问题。要从PyTorch获取最新消息，请在Twitter、Medium、YouTube和LinkedIn上关注我们。
Cheers!
PyTorch 团队
