![]()
今天是 OneFlow 开源的第 410 天，OneFlow 0.5.0 预览版发布。
本次版本更新包含以下重点：
-
新增动态图特性：OneFlow 默认以动态图模式（eager）运行，与静态图模式（graph）相比，更容易搭建网络、调试和验证算法。
-
面向对象式的动态图接口 nn.Module，熟悉 PyTorch 的用户可以轻松上手。
-
“一行代码转换 OneFlow 与 PyTorch 网络”：与 PyTorch 对齐的算子数目增加至200+。在 ResNet50、AlexNet 等常用网络上已通过 import oneflow as torch 和 import torch as flow 验证。注意：此特性是为方便用户由 PyTorch 迁移至 OneFlow 而设计，并不是承诺完全兼容 PyTorch。
-
面向对象式的静态图接口：新增面向对象的静态图接口 nn.Graph。保留了 OneFlow 静态图性能优势的同时，让静态图的编程门槛与动态图接近，期待更多的算法工程师把 OneFlow 的高性能优势玩起来。附一个用 nn.Graph 搭建的ResNet50示例：https://github.com/Oneflow-Inc/models/tree/main/resnet50)
-
易用高效的分布式训练：分布式训练是大势所趋，此版本新增的 Consistent Tensor，让用户可以像操作单机单卡一样操作整个集群，并立即看到效果。新增的 launch 模块、DDP 模块配合 OneFlow 的一致性视角让用户轻松启动分布式训练，无论是数据并行、模型并行、还是流水并行，OneFlow 均原生支持，易用高效。
1、新增动态图功能
新增与 PyTorch 兼容的动态图模式，原 PyTorch 用户可直接上手体验，无额外的学习成本和迁移成本。
https://docs.oneflow.org/master/basics/01_quickstart.html
2、nn.Module 接口
提供面向对象式的接口 nn.Module，使得搭建神经网络更简单。
https://docs.oneflow.org/master/basics/04_build_network.html
3、nn.Graph
长时间以来，动态图的性能、部署短板让人遗憾；静态图的编程门槛让人望而生畏。OneFlow 推出 nn.Graph 方案。
nn.Graph 和 nn.Module 一样，也是面向对象式的接口，并且可以大量复用 nn.Module 中的功能。同时 nn.Graph 保留了 OneFlow 一贯的静态图的高效性能。用户只做少量的改动，就可以将 nn.Module 转为高性能的静态图。如以下示例。
class NeuralGraph(flow.nn.Graph):
def __init__(self):
super().__init__()
self.model = model # model是 nn.Module 对象
def build(self, x):
y_pred = self.model(x)
return y_pred
graph = NeuralGraph() # Graph 对象
y_pred = graph(x) # 首次调用会编译计算图并运行，后续调用都是直接运行
用户使用 nn.Module，可以快速验证想法，解决正确性、模型效果的问题。
需要优化性能时，再花很少的精力转为 nn.Graph。
https://docs.oneflow.org/master/basics/08_nn_graph.html
4、易用高效的分布式训练
对不少工程师而言，可能还不熟悉分布式训练，为此我们整理了分布式训练专题，它既可以作为用 OneFlow 做分布式训练的用户手册，也可以作为深度学习分布式入门的一手资料。
https://docs.oneflow.org/master/parallelism/01_introduction.html
5、Consistent Tensor
新增动态图模式下的 Consistent Tensor，用户第一次可以简单直观地看到张量在集群中如何被自动分发、组合。OneFlow 提供的一致性视角，让 OneFlow 不借助插件，就能轻松配置各种并行策略。
https://docs.oneflow.org/master/parallelism/03_consistent_tensor.html
6、DDP 模块
新增 DDP模块用于做分布式数据并行。它使得用户只需要改动极少的代码，就能将单机训练脚本扩充为分布式脚本。
https://docs.oneflow.org/master/parallelism/05_ddp.html
7、易用、原生的流水并行支持
使用 nn.Graph，通过设置 Consistent Tensor 的 placement 和 sbp 属性，用户只需要关注流水并行的逻辑。支持高效流水所需的 micro batch、张量缓存分配等问题都由 OneFlow 自动解决。
查看流水并行示例代码:
https://docs.oneflow.org/master/parallelism/06_pipeline.html
其他人都在看
