如果觉得卡顿,请点击小眼睛关闭蜘蛛网特效

大改!pytorch-v0.4.0发布!计算内存优化,window系统支持,Tensor与Variabler合并。

众望所归!pytorch-v0.4.0发布!计算内存优化,window系统支持,Tensor与Variabler合并。

《大改!pytorch-v0.4.0发布!计算内存优化,window系统支持,Tensor与Variabler合并。》 《大改!pytorch-v0.4.0发布!计算内存优化,window系统支持,Tensor与Variabler合并。》

之前一直在用的pytorch-unstable-0.4.0终于发布稳定版了,这次的改动很大,更新了的童鞋们程序需要进行迁移!

从旧版本(0.4.0版本以前)迁移到新版本(0.4.0),迁移指南:http://pytorch.org/2018/04/22/0_4_0-migration-guide.html

从旧版本(0.4.0版本以前)迁移到新版本(0.4.0),迁移指南:http://pytorch.org/2018/04/22/0_4_0-migration-guide.html

从旧版本(0.4.0版本以前)迁移到新版本(0.4.0),迁移指南:http://pytorch.org/2018/04/22/0_4_0-migration-guide.html

windows用户的同学可以通过以下命令来下载最新的pytorch:(cuda版本不一样的话改变下面命令中的cuda版本号即可)

conda install pytorch cuda91 -c pytorch 
pip3 install torchvision

更新内容

Tensor/Variable 合并!

删除volatile参数!

支持windows系统!

支持零维张量(Zero-dimensional Tensors)!

24 个全新概率分布!

增加熵等统计量计算!

分布式模型训练!

重点更新内容

Tensor和Variable已经合并了。

torch.autograd.Variabletorch.Tensor现在是同一个class,准确地说,torch.Tensor和之前的Variable一样可以追踪自动求导历史。和Variable使用方法一样,另外,Variable的Wrapping依然能用,不过经过wrapping后返回的是一个torch.Tensor的类型。也就是说Wrap不Wrap都一样。

Tensor的type类型已经变化:

>>> x = torch.DoubleTensor([1, 1, 1])
>>> print(type(x)) # was torch.DoubleTensor
<class 'torch.autograd.variable.Variable'>
>>> print(x.type())  # OK: 'torch.DoubleTensor'
'torch.DoubleTensor'
>>> print(isinstance(x, torch.DoubleTensor))  # OK: True
True

requires_grad已经可以在Tensor中使用了:

>>> x = torch.ones(1)  # create a tensor with requires_grad=False (default)
>>> x.requires_grad
False
>>> y = torch.ones(1)  # another tensor with requires_grad=False
>>> z = x + y
>>> # both inputs have requires_grad=False. so does the output
>>> z.requires_grad
False
>>> # then autograd won't track this computation. let's verify!
>>> z.backward()
RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn
>>>
>>> # now create a tensor with requires_grad=True
>>> w = torch.ones(1, requires_grad=True)
>>> w.requires_grad
True
>>> # add to the previous result that has require_grad=False
>>> total = w + z
>>> # the total sum now requires grad!
>>> total.requires_grad
True
>>> # autograd can compute the gradients as well
>>> total.backward()
>>> w.grad
tensor([ 1.])
>>> # and no computation is wasted to compute gradients for x, y and z, which don't require grad
>>> z.grad == x.grad == y.grad == None
True

更多的更新内容,请看官方的release文档!

https://github.com/pytorch/pytorch/releases

  点赞
本篇文章采用 知识共享署名-相同方式共享 4.0 国际许可协议 进行许可
转载请务必注明来源: https://oldpan.me/archives/pytorch-v0-4-0-release

   欢迎关注Oldpan博客微信公众号,同步更新博客深度学习文章。


发表评论

电子邮件地址不会被公开。 必填项已用*标注

评论审核已启用。您的评论可能需要一段时间后才能被显示。