PyTorch 1.2 stöds nu fullt ut på Azure – här är några sätt du kan använda den

Bild via Facebook Engineering

PyTorch är en öppen källkod för maskininlärning som används för att skapa och utbilda modeller för djup inlärning. Detta kan sedan tillämpas i en mängd olika användningsfall, främst avseende områdena datorsyn, naturligt språkbearbetning och liknande.

Microsoft meddelade fullt stöd för PyTorch på Azure förra året; flera tech-gigantutvecklare deltar aktivt i utbildningsramsamhället, och PyTorch erbjuds genom många gigantiska Redmond AI-plattformstjänster. Några veckor efter lanseringen av PyTorch 1.2 har Microsoft framhävt flera sätt som kan användas på Azure, samtidigt som det på nytt bekräftar sitt pågående stöd för fackla-baserade bibliotek.

Även om det huvudsakligen skrivs i Python, har PyTorch också ett C ++ -gränssnitt. Den nya versionen av detta ramverk har integrerats med flera Microsoft-molnplattformtjänster som inkluderar Azure Machine Learning, Azure Notebooks och Data Science Virtual Machines. Du kan använda de senaste funktionerna på följande sätt för var och en av dessa tjänster:

• Azure Machine Learning Services – Azure Machine Learning effektiviserar utvecklingen, utbildningen och spridningen av maskininlärningsmodeller. Python SDK från Azure Machine Learning har en speciell PyTorch-uppskattare som gör det enkelt att köra PyTorch-utbildningsskript på vilket beräkningsmål du väljer, vare sig det är din lokala maskin, en enda virtuell maskin (Azure) på Azure eller ett GPU-kluster på Azure. Lär dig hur du tränar inlärningsmodeller i Pytorch i stor skala med Azure Machine Learning.
• Azure Notebook – Azure Notebooks tillhandahåller en Jupyter notebook-server som är värd i molnet med PyTorch 1.2 förinstallerat. För mer information, se PyTorch-handledning och exempel.
• Virtual Machine Data Science – Virtual Machine Data Science har förkonfigurerats med populär datavetenskap och djupgående inlärningsverktyg, inklusive PyTorch 1.2. Du kan välja olika typer av maskiner för att vara värd för din Data Science Virtual Machine, inklusive de med GPU: er. Mer information finns i dokumentationen för Virtual Machine Data Science.

Vidare detaljerade Microsoft också de framsteg som det hade gjort när det gäller att göra processen att ta PyTorch-modellen från utbildning till produktion mer effektiv. Open Neural Network Exchange (ONNX) har rekommenderats för exportmodeller. Specifikt kan ONNX-modellen avslutas med ONNX Runtime, som har skrivits i C ++ och stöds på Windows, Linux och Mac. Eftersom inferensmotorn är ganska liten är den här maskinen mycket lämplig för att exportera produktionsbelastningar för maskininlärning på olika målenheter. Dessutom har NVIDIA och Intel också integrerat sin accelerator med Runtime, vilket gör det mer effektivt på CPU, GPU och VPU.

Som sådan har Microsoft bidragit med flera förbättrade exportfunktioner för ONNX till PyTorch 1.2, som inkluderar:

• Stöd för ett större utbud av PyTorch-modeller, inklusive objektdetekterings- och segmenteringsmodeller som RCNN-masker, snabbare RCNN och SSD: er
• Stöd för modeller som arbetar med ingångar med variabel längd
• En exportmodell som kan köras på olika versioner av ONNX inferensmotor
• Optimering av modeller med konstant vikning
• En handledning som visar exportering av PyTorch-modeller till ONNX och kör slutsatser på ONNX Runtime

Du kan lära dig mer om hur du använder PyTorch 1.2-modellen till molnet, till Windows-applikationen och till IoT ARM Linux-enheten genom att klicka på relevant länk till länken. Den senaste versionen av ramverket för djup inlärning om Azure kan kontrolleras genom fria försök.