Facebook Inc.今天更新了其流行的人工智能軟件框架PyTorch，其中包含對新功能的支持，這些新功能可將AI模型更無縫地部署到移動設備。

開發(fā)人員可以使用PyTorch 研究和構(gòu)建用于軟件應用程序的AI模型，然后借助與領先的公共云平臺的集成將這些應用程序直接用于生產(chǎn)。PyTorch最初是由Facebook的AI研究小組構(gòu)建的，它是針對編程語言Python的機器學習功能庫。

它主要設計用于深度學習，深度學習是機器學習的一個分支，試圖模仿人腦的運作方式。它在語言翻譯，圖像和語音識別等領域取得了重大突破。

在移動設備上運行機器學習的能力非常重要，因為應用程序可以從較低的延遲中受益匪淺。如果應用程序可以自行處理數(shù)據(jù)而無需將其發(fā)送到云，那么畢竟，一切將變得更加流暢。

這就是Facebook試圖在最新版本的PyTorch中解決的問題，它支持從Python到在iOS和Android上部署的“端到端工作流程”。Facebook的PyTorch團隊在博客文章中表示，這仍然是一項試驗性功能，并且仍有很多工作要做，以提高移動中央處理器和圖形處理器上機器學習模型的性能。

第二項實驗功能旨在在構(gòu)建機器學習應用程序時更有效地利用服務器端和設備上的計算資源。對“八位模型量化”的支持的增加是在推理過程中提高性能的一種努力，在推理過程中，這是訓練有素的機器學習模型得出結(jié)論或做出預測時。量化是指用于以降低的精度執(zhí)行計算和存儲的技術(shù)。

“為支持在服務器和邊緣設備上進行更有效的部署，PyTorch 1.3現(xiàn)在使用熟悉的急切模式Python API支持8位模型量化，” PyTorch團隊寫道。

PyTorch還獲得了一個名為Captum的新工具，該工具旨在幫助開發(fā)人員更好地理解為什么他們的機器學習模型可以得出一定結(jié)論。

PyTorch團隊寫道：“ Captum提供了先進的工具，以了解特定神經(jīng)元和層的重要性如何影響模型做出的預測。” “ Captum的算法包括集成的梯度，電導，SmoothGrad和VarGrad以及DeepLift。”

其他更新包括發(fā)布Detectron2對象檢測庫，以幫助進行計算機視覺研究。此外，F(xiàn)acebook還宣布了一個新的基于社區(qū)的研究項目CrypTen的啟動，該項目將探索隱私和安全技術(shù)的實施，例如安全的多方計算，受信任的執(zhí)行環(huán)境以及使用PyTorch進行的設備上計算。

最后，F(xiàn)acebook表示，PyTorch現(xiàn)在支持Google Cloud的Tensor處理單元，以更快地開發(fā)和訓練機器學習模型：“當組裝到稱為Cloud TPU Pods的多機架ML超級計算機中時，這些TPU可以在數(shù)分鐘或數(shù)小時內(nèi)完成ML工作負載;在其他系統(tǒng)上，這些工作負載以前需要幾天或幾周的時間。”

Constellation Research Inc.的分析師Holger Mueller告訴SiliconANGLE，今天的更新顯示Facebook在PyTorch及其相關服務方面取得了穩(wěn)步的進展。

“不過，關鍵問題是，與Google的TensorFlow相比，PyTorch能夠彌合多少差距？” 穆勒說。“兩者都是移動的目標，開發(fā)人員的采用將提供答案。”