专访Facebook研究员田渊栋和PyTorch作者Soumith
新智元 ：田博士，关于PyTorch的发布，请问可以采访您几个问题嘛？
田渊栋 ：哦，你要问什么？我可以把问题转给Soumith。
新智元 ：请问 PyTorch 除了是基于 Python，其它架构是否与 Torch 一样？
田渊栋 ：基本C/C++这边都是用的torch原来的函数，但在架构上加了 autograd 这样就不用写backward 函数，可以自动动态生成computational graph 并且自动求导，反向传递后自动回收内存，这个让写程序变得更方便了。另一个重要的不同是权值（weights）和activation/gradInput分开了，这样同一个layer 可以复用很多次，存储的时候也不用 clear gradient，不像以前 torch 需要clone_many_times。另外从 numpy ndarray 可以转到torch.Tensor，不需要copy。
Lua这边一直有每个 thread 2G的限制，这个对写多线程的程序不是很有利。Python有GIL，所以一般用 multiprocessing 写程序，PyTorch针对这个有比较好的支持，比如支持进程间共享内存（这个对parameter server有利），支持shared Cuda context，等等。
我自己已经在用了，写了一个增强学习的框架，效果还是不错的。
新智元 ：tensorflow也支持 python，请问这两种有什么区别呢？
Pytorch作者Soumith：像TensorFlow, Theano，Caffe以及CNTK都是静态的计算图结构。而PyTorch这边是动态地生成计算图结构(Computational Graph)的，所以可以在训练时动态改变图的拓扑，而不用改代码重新开始。
新智元：对GAN 和 深度强化学习支持怎么样？
田渊栋 ：自带的tutorial里面已经有GAN的样本了，RL的框架我在写，在一些例子上已经达到了目前的最好水平。
新智元：您指的一些例子是什么类型的例子呢？
比如说OpenAI Gym Atari game Breakout-v0。
几个月前人们还说，深度学习库生态系统开始稳定。我从来不这么认为。深度学习库的最新前沿是确保对动态计算图的有效支持。
当需要完成的工作量是可变的时，动态计算图形出现。这可能是在我们处理文本时，一个例子是几个字，而另一个是文本的段落，或者当我们对可变大小的树结构执行操作时。这个问题在某些的领域尤其突出，例如自然语言处理。
PyTorch 很好地解决了这个问题，如 Chainer 和 DyNet。事实上，Pytorch 的构建直接从 Chainer 获得，尽管重构了并且设计得更快了。我已经看到所有这些在最近几个月，特别是在许多研究人员进行领域的前沿研究重新产生兴趣。当你使用新的架构时，你希望在框架允许范围内，获得最大的灵活性。
另一面，TensorFlow 不能很好地处理这些动态图问题。虽然有一些原始的动态结构，但它们不灵活，通常相当有限。在不久的将来，有计划允许 TensorFlow 变得更加动态，但添加它是一个挑战，特别是还要有效地做。
披露：我的Salesforce Research团队广泛使用Chainer，我的同事James Bradbury是PyTorch的贡献者，而它处于隐身模式。我们计划从Chainer过渡到PyTorch，以便将来的工作。
PyTorch 是一个 python 包，提供以下两个高级功能：
强大的 GPU 加速的张量计算（类似numpy）
构建基于 tape 的 autograd 系统的深度神经网络
在需要时，你可以再使用你喜欢的其他 python 包来扩展 PyTorch，例如 numpy，scipy 和Cython。
在粒度级别上，PyTorch 是一个由以下部分组成的库：
通常可以把 PyTorch 作为：
numpy 的替代，以使用 GPU 的能力；
一个深度学习研究平台，能够提供最大的灵活性和速度。
以下是更详细介绍：
一个支持 GPU 的 Tensor 库
如果你使用 numpy，那么你已经在使用 Tensors（也就是 ndarray）。
PyTorch 提供的 Tensors 支持 CPU 或 GPU，并为大量的计算提供加速。
我们提供多样的 tensor 程序以加速并适应用户的科学计算需要，如 slicing， 索引， 数学运算，线性代数，缩减。而且，速度非常快！
PyTorch 具有独特的构建神经网络的方法：使用并重放 tape recorder。
大多数框架，如 TensorFlow，Theano，Caffe 和 CNTK 都是静态的。使用者必须构建一个神经网络，并重复使用相同的结构。更改网络表现的方式意味着必须从头开始。
PyTorch 使用一种被称为反向模式自动微分（Reverse-mode auto-differentiation）的技术，能够让用户以零延迟或开销的方式任意改变网络表现。我们的灵感来源于几个相关话题如 autograd，autograd，Chainer 等的研究论文，包括当前的和过去的论文。
虽然这种技术不是 PyTorch 独有的，但它是迄今为止最快的实现之一。在研究中使用 PyTorch，你将得到最快的速度和最好的灵活性。
PyTorch 不是把 Python 绑到 C++ 框架上去，而是深度集成到 Python 语言中。你可以可以就像你用 numpy / scipy / scikit-learn 之类的一样使用。你可以用 Python 本身写新的神经网络层，可以用你最喜欢的库或者包，例如 Cython 和 Numba。我们的目标是尽量不要重新造轮子。
实践经验
PyTorch 符合直觉、好理解、易用。当你执行一行代码，它马上运行，不是跟异步的。当你进入 debug 或者收到错误信息进行 stack trace，都很容易理解。stack trace point 就是你代码的地方。我们不希望你因为差劲的 stack trace 或者 不同步和模糊的运行，而花上几个小时 debug。
又快又稳
PyTorch 具有最小的框架开销。 我们集成加速库，如英特尔MKL和NVIDIA（CuDNN，NCCL），以最大化速度。 在核心，它的CPU和GPU Tensor和神经网络后端（TH，THC，THNN，THCUNN）作为独立的库用 C99 API编写。
它们是成熟的，已经测试了多年。
因此，PyTorch是相当快 - 无论你运行小或大的神经网络。
相比 Torch 或其他一些框架，PyTorch的内存使用是非常高效的。 我们为GPU编写了自定义内存分配器，以确保您的深度学习模型具有最大的内存效率。 这使你能够训练比以前更大的深度学习模型。
轻松扩展
编写新的神经网络模块，或 PyTorch的Tensor API 的使用，其设计非常直接和最小的抽象。
你可以使用torch API或你最喜欢的基于numpy的库（如SciPy）在 Python 中编写新的神经网络层。
如果你想用C / C ++编写你的图层，我们提供一个基于cffi的扩展API，它是高效的，并且有最小的样板。没有需要编写的包装代码。
文章转自新智元公众号，原文链接
