深度学习框架 PyTorch 发布 1.11 版本
Python 著名 AI 框架 PyTorch 1.11 已发布。此版本由自 1.10 以来的 3300 多个提交组成， TorchData 和 functorch 的 beta 版本亦伴随发布。
版本概括：
- 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，现已推出 beta 版。在 GitHub 上查看。
- 分布式数据并行 (DDP) 静态图优化稳定可用。
TorchData 介绍
TorchData 是一个通用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。现有的 DataLoader 将太多的功能捆绑在一起，难以扩展,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。TorchData 的目标是通过称为“ DataPipes ”的 Iterable 样式和 Map 样式的构建块启用可组合的数据加载，这些构建块与 PyTorch 的 DataLoader 开箱即用。
目前已经实现了 50 多个提供不同核心功能的 DataPipes，例如打开文件、解析文本、转换样本、缓存、混洗和批处理。在此版本中，一些 PyTorch 域库已迁移其数据集以使用 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 为模型预处理数据。
TorchData 的文档现已上线，包含介绍如何使用 DataPipes、将它们与 DataLoader 一起使用以及实现自定义。项目的 README 文件中描述了与 DataLoader 相关的常见问题解答和未来计划。
functorch 介绍
受Google JAX 的极大启发，functorch 是一个向 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，可与 PyTorch 模块和 PyTorch autograd 一起使用，并具有良好的渴望模式性能。
可组合的函数转换可以帮助解决当今在 PyTorch 中难以实现的许多用例：
- 计算每样本梯度（或其他每样本数量）
- 在单台机器上运行模型集合
- 在 MAML 的内循环中有效地将任务批处理在一起
- 有效地计算雅可比矩阵和黑森矩阵以及批量矩阵
组合 vmap（矢量化）、vjp（反向模式 AD）和 jvp（正向模式 AD）转换能够轻松地表达上述内容，而无需为每个转换设计单独的库。有关 functorch 的详细信息，请参阅文档、教程和安装说明。
分布式训练
（稳定）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一组已使用/未使用的参数，因此它可以确定性地了解状态，例如哪些 hooks 将触发、hooks 将触发多少次以及第一次迭代后的梯度计算就绪顺序。
静态图在第一次迭代中缓存了这些状态，因此它可以支持 DDP 在以前的版本中无法支持的功能，例如，支持在相同参数上的多个激活检查点，无论是否有未使用的参数。当存在未使用的参数时，静态图功能还应用性能优化，例如，它避免遍历图以在每次迭代中搜索未使用的参数，并启用动态分桶顺序。
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 ，如下所示：
ddp_model = DistributedDataParallel(model, static_graph=True)
