今天，PyTorch公开发布一周年了。

这个自诞生之日起就火热的深度学习框架，这一年是怎样的成长轨迹？刚刚，PyTorch团队在官网上发文，盘点了PyTorch上一年的进展、大事件和社区情况，并和其他框架进行了对比。

总体来说战绩是这样的——

• GitHub上有87769行Python代码导入了torch
  
• GitHub上3983个资源库在命名或描述中提到了PyTorch
  
• PyTorch文件的下载量超50万次，具体说达到了651916次
  
• 5400个用户写了21500篇帖子，在论坛上讨论过5200个话题
  
• 在Reedit机器学习版块被被提及达131次，而TensorFlow在这段时间仅被提及255次
  

PyTorch也频频出现在各种会议中——

• 在最近的ICLR2018中提交的论文中，有87篇提到PyTorch。同时有228篇提到TensorFlow，42篇提到Keras，32篇提到Theano和Matlab
  
• arXiv每月平均提到PyTorch 72次，TensorFlow 273次，Keras 100次，Caffe 94次，Theano 53次
  

这些对比数据之外，PyTorch团队还整理了这一年社区的大事件和突破性进展。量子位则其重点，编译整理如下：

社区大事件

第一个现身社区的PyTorch程序包来自CMU博士Brandon Amos，他帮助简化了矩阵块的操作。

Jun-Yan Zhu, Taesung Park, Phillip Isola, Alyosha Efros和UC伯克利的团队发布了人气很高的Cycle-GAN and pix2pix，实现了图像到图像的转换。

项目地址：
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

哈佛大学自然语言研究组（HarvardNLP）和Systran团队构建并改善PyTorch中OpenNMT系统。

项目地址：
https://github.com/OpenNMT/OpenNMT-py

推特上的MagicPony团队贡献了超分辨率工作的进展。

介绍地址：
https://twitter.com/Rob_Bishop/status/821793080877588480

Salesforce 研究院发布了一些程序包，包括PyTorch-QRNN。这是一种RNN，比CuDNN优化的标准LSTM快2倍到17倍，James Bradbury和他的团队也因此成为PyTorch社区中最活跃和最引人注目的力量之一。

PyTorch-QRNN项目地址：
https://twitter.com/Smerity/status/917472260851560448

Uber、美国东北大学和斯坦福的研究团队围绕Pyro和ProbTorch组了一个概率编程社区，积极开发torch分布的核心程序包。

英伟达的研究人员发布了三个高质量的库，可以实现pix2pix-HD、Sentiment Neuron和FlowNet2的相关论文，他们还分析了PyTorch中不同数据并行模型的可扩展性。

相关项目地址：
https://github.com/NVIDIA/sentiment-discovery
https://github.com/NVIDIA/flownet2-pytorch
https://github.com/NVIDIA/sentiment-discovery/blob/master/analysis/scale.md

艾伦研究院(Allen Institute for AI)发布了AllenNLP，里面包括先进的NLP模型参考实现，易于将web demo用于标准的NLP任务。

项目地址：
http://demo.allennlp.org/machine-comprehension

去年7月，Kaggle团队grt123夺冠关于肺癌检测的DataScience Bowl 2017，随后发布了他们的PyTorch实现。

项目地址：
https://twitter.com/PyTorch/status/881573658166267904

在可视化方面，Tzu-Wei Huang实现了TensorBoard-PyTorch插件，Facebook的人工智能研究也为他们的visdom可视化包发布了PyTorch兼容版。

相关项目地址：
https://github.com/lanpa/tensorboard-pytorch
https://github.com/facebookresearch/visdom

此外，Facebook AI研究院还发布了一些其他的项目，比如ParlAI、fairseq-py、VoiceLoop and FaderNetwork等，在多个领域实现了先进的模型和接口数据集。

工程大事件

在过去一年，PyTorch团队实现了多个功能，提高了性能。我们一起回顾一下：

高阶梯度

去年8月，PyTorch实现了一个可以接收n阶导数的通用接口，并增加了支持高阶梯度函数的范围。

分布式PyTorch

还是去年8月，PyTorch发布了小型分布式软件包，它用到了流行的MPI集合（MPI-collective）方法。该软件包有多个后端，如TCP、MPI、Gloo和NCCL2等，来支持各种类型的CPU/GPU集成操作和用例，并包含Infiniband和RoCE等分布式技术。

更接近NumPy

用户最大的需求之一是他们熟悉的NumPy特性。broadcasting和高级索引等功能很方便，为用户节省了大量时间。PyTorch实现了这些特性，并让API更接近NumPy。

稀疏张量

去年三月，PyTorch发布了一个支持稀疏张量的小程序包，五月发布了CUDA支持的稀疏包。该程序包可以实现深度学习中常用的稀疏范例的稀疏嵌入。

性能

关于性能的战斗还未停止，对想将灵活性最大化的动态框架PyTorch来说更是如此。在过去的一年里，PyTorch改进了从核心的张量库到神经网络operator的性能，能在board上快速编写微优化。

PyTorch为张量操作添加了专门的AVX和AVX2内联函数

编写了更快的GPU内核，用于常用的工作负载中

重写了几个神经网络operator的代码，如nn.Embedding等

此外，PyTorch将框架的开销减小了10倍

这事源于去年8月，DyNet的作者Graham Neubig等人展示了DyNet在小型NLP模型上的速度比PyTorch要快得多。之后，PyTorch重写了内部架构，将每个operator执行框架的开销从10微秒减少到1微秒。

ATen

重新设计PyTorch内部架构时，PyTorch团队还建造了ATen C++11库，现在所有的PyTorch后端都可以使用它。

输出模型到生产——支持ONNX和JIT编译器

将PyTorch模型导出到另一个框架是我们经常收到的一个请求。用户在PyTorch完成模型后，希望将其搭载到大型项目，但有时会遇到只能使用C++的尴尬境况。

因此，PyTorch建立了一个tracer,可将PyTorch模型输出为中间表示，用户可将其转换为ONNX格式输出至Caffe2、MXNet、TensorFlow等其他框架中，或直接连接到 CoreML或TensorRT这样的硬件加速库。

祝PyTorch一周岁生日快乐。

最后，附原文链接：
http://pytorch.org/2018/01/19/a-year-in.html