python metaclass PyTorch发展历程_科普中国·科学百科

它继承了Torch的功能，凭借出色的可变通性和对动态计算图的兼容性而著称。它采用以编程为驱动的架构，让深度学习模型的建立和优化变得更为容易。这一框架的问世源于2016年9月，由Adam、Sam Gross以及其他人合力打造了它的基础版本。

随后在2017年1月，人工智能研究院（FAIR）向全球发布了这一套基于Torch打造的系统，该系统采用语言作为接口，并且为深度学习领域的探索者和实践者带来了两个关键好处：一方面拥有卓越的GPU支持下的张量运算性能，其并行处理水平在当年能够与NumPy匹敌；另一方面配备了自动微分机制，让深度神经网络的创建过程更加便捷和高效。

二零一八年十月，于二零一八年会议中，宣告了壹.零的问世。这一版本的推出，象征着在商业拓展上实现了关键性突破。

后来在2022年9月，马克·扎克伯格作为创始人，宣告设立了基金会，同时将此基金会划归Linux基金会的监管范围之内。此举旨在提升在开源社群中的地位，同时也为其长远进步奠定了基础。

版本更新播报

Torch是最早的科学计算框架之一，由Ronan等人发起研发。它专注于数据的多维处理，同时具备丰富的科学运算功能。

这是Torch的后续版本，增加了Lua编程语言，在深度学习方面获得了一定成效。可惜的是，随着它的流行，Torch就停止了维护，这也就意味着它是Torch的最终版本。

人工智能研究院（FAIR）于2016年，基于Torch推出了首个版本，这标志着它的正式问世。

这个版本以原有版本为基础，融入了更为先进的设计理念，让深度学习模型的构建和调试过程变得更加清晰且易于操作。

这一版本初次加入了动态图像功能，让用户在搭建神经网络时拥有了更多变通空间，这个功能成为后期制胜的核心要素，标志着软件迈入了一个全新的发展时期。

这是第一个稳定版本，增加了Eager模式，这使得模型的建立和训练流程更加简便。

0版本增添了pile功能，能够有效提升训练环节的效率，还增添了某个组件，它主要用来替代torch.jit.trace和torch.jit的功能。此外在该版本中，编译器的表现有了显著增强，在分布式执行层面也进行了一些改进。

版本依赖播报

安装时，各版本对底层环境有不同要求，涉及cuda、cudnn等，用户需重点留意cuda版本与对应关系。

1. .1 - 2.2.x, 2.1.x

2. .8 - 2.2.x, 2.1.x, 2.0.x

3. .3 - 1.10.x, 1.9.x, 1.8.1

4. .1 - 1.10.0, 1.9.x, 1.8.x

5. .0 - 1.7.x

版本六点二低于一 point 一零点星号, 一 point 九点星号, 一 point 八点星号, 一 point 七点星号,

版本七点之一点七以下版本，版本一点六零版本，版本一点五以下版本，版本一点四零版本

8. .0 - 1.2.0, 1.1.0, 1.0.x

cuda9.2版本，兼容1.7系列，也兼容1.6.0版本，同样兼容1.5系列，兼容1.4.0版本，并且兼容1.2.0版本。

10. cuda9.0 - 1.1.0, 1.0.x

11. cuda8.0 - 1.0.0

核心组件播报

源码中所涉及的组件非常多，以下介绍部分常见的核心组件：

张量是一种核心数据形式，功能上类似于NumPy数组，在其中的大部分运算和数据处理任务都以张量为依托。

它是一种基础性存储方式，是其他结构的核心，和某些东西对比起来，更加根本，它直接承担起对单个实体的空间维护工作。

确实，自动微分引擎能够自动求解张量的导数，并在反向传播环节中调整计算网络里张量的数值，这是所有神经网络优化方法的核心。

nn是一个用于创建神经网络的基础类别。借助这个基础类别进行继承，能够开发个性化的神经网络单元以及整体架构，同时可以借助模块化的手段来搭建结构精巧的深度学习系统。

有多种优化方法可用于深度学习模型中参数的调整和更新，目的是使损失函数达到最小值。将需要优化的网络参数输入到优化方法中，便能在每次反向传播完成后，借助计算出的梯度来改进网络参数。

它是一种便捷的数据集导入方案，可以自动完成数据分批处理、随机排序数据、同步加载数据等任务，让数据准备工作与导入过程更加高效便捷，通常与特定模块配合运用

生态播报

在2019年之前，它一直是深度学习领域中的主导力量，但从2019年开始，它却脱颖而出，慢慢变成了开发者和科研人员首选的方案，由于持续得到推广和改进，它的整体环境也日益兴盛。

NLP领域中，公共社区提供的开源资源包含了市面上大部分开源的预训练模型，微软的分布式训练框架同样适用；因为这些开源神经网络架构深受研究人员喜爱，近些年绝大多数都实现了这种架构。