@火炬.jit.script
  DEF 循环神经网络H X WYH 尤雅 WYY BYH BYY):
    Y = []
    对于 T 在里面 范围X.大小):
      H = 火炬.坦赫X[T] @ WYH + H @ 尤雅 + BYH
      Y += [火炬.坦赫H @ WYY + BYY
      如果 T %  = 
        打印“统计:” H.意思是() H.var()
    返回 火炬.堆栈Y H

混合动力前端

新的混合前端在热切模式下提供了易用性和灵活性,在无缝过渡到图形模式以提高速度的同时,优化,以及C++运行时环境中的功能性。

分布式训练

利用本地支持异步执行集体操作和对等通信(Python和C++),优化研究和生产中的性能。

  进口 火炬分布 作为 迪特
   平行焊炬 进口 分布式数据并行
  
  迪特.初始化进程组后端=“格罗”
  模型 = 分布式数据并行模型
  进口 火炬
  进口 麻木的 作为 NP
   = NP.一个
   = 火炬.弗罗米努
  NP.添加  外面的=
  打印
  打印

蟒蛇第一

金沙国际PyTr火炬不是一个Python绑定到一个单片C++框架。它的构建是为了深入集成到Python中,以便可以与流行的库和包(如cython和numba)一起使用。

工具和库

一个由研究人员和开发人员组成的活跃社区已经建立了一个丰富的工具和库生态系统,用于扩展pytorch并支持从计算机视觉到强化学习等领域的开金莎国际发。金沙国际

  进口 火炬视觉模型 作为 模型
  RESNET18 = 模型.RESNET18预先训练的=
  亚历克斯网 = 模型.亚历克斯网预先训练的=
  榨汁机 = 模型.CurnZeNET1O0预先训练的=
  VGG16 = 模型.VGG16预先训练的=
  密集网 = 模型.密度161预先训练的=
  开端 = 模型.启动子V3预先训练的=
  进口 奥尼克斯
  进口 火炬视觉

  虚拟输入 = 火炬.兰登  二百二十四 二百二十四
  模型 = 火炬视觉.模型.亚历克斯网预先训练的=
  火炬.ONNX.出口模型 虚拟输入 “AlxNET.ONNX”

本地ONNX支持

以标准ONNX(开放式神经网络交换)格式导出模型,以便直接访问与ONNX兼容的平台,运行时,可视化工具,还有更多。

C++前端

C++前端是PyTrac的纯C++接口,它遵循已建立的Python前端的设计和体系结构。金沙国际它旨在使研究具有高性能,低延迟和裸露的金属C++应用程序。

  包括:
              

              
  火炬::神经网络::线性的 模型纽号特征金沙电子游艺 
  火炬::奥普蒂::SGD 优化器模型>参数())
  汽车 数据装载机 = 火炬::数据::数据装载机数据集

  对于 西泽特 时代 =  时代 <  ++时代 {
    对于 汽车 批处理  数据装载机 {
      汽车 预测 = 模型>向前地批处理.数据
      汽车 损失 = 损耗函数预测 批处理.目标
      损失.向后的();
      优化器.();
    }
  }
  出口IMAGE家族=“金沙国际PyTorch最新CPU”
  出口地带=“U-West1-B”
  出口实例名称=“我的例子”gCloud计算实例创建实例化名称 \
    --区域=美元区 \
    --图像家族=$IMAGE家族 \
    --形象工程=脱褶平台释放

云伙伴

金沙国际pytorch在主要云平台上得到了很好的支持,通过预构建的图像提供无摩擦的开发和轻松的缩放,GPU的大规模培训,能够在生产规模环境中运行模型,还有更多。