作者利益相關(guān)：Facebook員工，業(yè)余PyTorch開源貢獻(xiàn)者。

PyTorch Dev Day 2020（https://pytorchdeveloperday.fbreg.com/schedule）在11/12號(hào)舉辦。盡管沒有現(xiàn)場(chǎng)參與，我還是把全場(chǎng)視頻看了一遍，這里會(huì)根據(jù)個(gè)人的理解盡可能總結(jié)個(gè)人認(rèn)為最有價(jià)值、值得關(guān)注的部分，和大家分享。

第一部分：KeyNote

這部分對(duì)于高屋建瓴地了解PyTorch Leadership的想法很關(guān)鍵，畢竟他們的決定對(duì)整個(gè)PyTorch的發(fā)展方向而言舉足輕重?；旧峡梢苑纸鉃槿缦聨c(diǎn)：

#1 - PyTorch目前所處的形勢(shì)

• 首先，PyTorch應(yīng)該大概率是目前最好用的深度學(xué)習(xí)框架（不是第一也是之一）

• 1.6K貢獻(xiàn)者, 4.5萬下游項(xiàng)目
• 70% NIPS2019論文引用

• PyTorch不再是一個(gè)僅適用于研究不適合生產(chǎn)環(huán)境的框架：

• 眾多公司在生產(chǎn)環(huán)境采用PyTorch（比如Uber）
• 在Facebook內(nèi)部有750+個(gè)生產(chǎn)環(huán)境部署的模型用的是PyTorch

• 目前PyTorch團(tuán)隊(duì)最新開拓的的三個(gè)技術(shù)領(lǐng)域分別是

• Composability以提高PyTorch的可拓展性
• 分布式RPC原語以支持分布式訓(xùn)練
• 兼容Google的XLA以在TPU上運(yùn)行PyTorch

非常高的adoption rate和增長勢(shì)頭

#2 - PyTorch從哪來，要到哪去

PyTorch一開始是主要給Research Community用的框架，但是由于各方面的需求逐步轉(zhuǎn)化成當(dāng)前這樣一個(gè)生產(chǎn)環(huán)境兼容，并擁有自己不可忽視的生態(tài)圈的產(chǎn)品。以下原則貫徹過去，且將指導(dǎo)未來：

• Community Co-Development: 開源、社區(qū)共贏，而不是閉門造車
• Cutting Edge Research：緊跟研究前沿，保證易用性
• Production Grade：生產(chǎn)環(huán)境不能落下
• Interoperable Ecosystem：跟其他系統(tǒng)兼容整合，壯大整個(gè)生態(tài)圈

堅(jiān)持基本路線一百年不動(dòng)搖

#3 - PyTorch 前路會(huì)遇到哪些挑戰(zhàn)

• 易用性：用戶量/模型數(shù)量迅速增長，新的Operator不斷出現(xiàn)（95%都不是簡單的卷積操作），這意味著PyTorch必須繼續(xù)在易用性上投入才能更好應(yīng)對(duì)人/代碼復(fù)雜度提升。

• Facebook AI Research 正在研究一種新的前端"語言" Tensor Statement，可以讓Operator的實(shí)現(xiàn)變得更加簡單

• 計(jì)算資源：模型/用戶的數(shù)量增加意味著計(jì)算資源消耗的大量增加，提高程序效率迫在眉睫。因此：

• PyTorch團(tuán)隊(duì)利用TorchScript來優(yōu)化模型，提高運(yùn)行效率
• FAIR 甚至還利用強(qiáng)化學(xué)習(xí)來提到模型優(yōu)化器本身的性能，進(jìn)一步提高優(yōu)化后的模型的執(zhí)行效率

• 雨后春筍般涌現(xiàn)的Accelerator: 一個(gè)深度學(xué)習(xí)框架如果不能適配涌現(xiàn)的新硬件，則會(huì)很容易失去市場(chǎng)競(jìng)爭(zhēng)力，因此必須大力發(fā)展AI Compiler

極高的增長……對(duì)計(jì)算資源、存儲(chǔ)、網(wǎng)絡(luò)傳輸帶寬的scale up都是挑戰(zhàn)

第二部分：技術(shù)細(xì)節(jié)介紹

每個(gè)Track我都會(huì)摘一些個(gè)人覺得比較有亮點(diǎn)/有趣的工作，想要全面了解的話請(qǐng)移步官網(wǎng)。

#1 - Core 核心框架

• Distributed RPC：這是一套框架/原語，使得開發(fā)分布式訓(xùn)練變得更加快速、直觀。

• 比如說，利用rpc.remote就可以在本地創(chuàng)建一個(gè)在另外一臺(tái)機(jī)器上面的Tensor的引用，對(duì)其操作就如同操作一個(gè)本地Tensor一樣方便

• Profiling & Visualization: 講述了如何對(duì)PyTorch代碼進(jìn)行profiling，如何追蹤并可視化訓(xùn)練過程。

• 個(gè)人看法：這在我看來表示PyTorch向一個(gè)成熟的開源軟件又邁進(jìn)一步
• 在開發(fā)和線上部署的時(shí)候，很多工程師的時(shí)間其實(shí)花在了性能調(diào)優(yōu)，打日志調(diào)試/定位問題上面，而profiling/visualization相關(guān)的工具鏈的發(fā)展對(duì)這個(gè)大有幫助

• PyTorch on Windows: 微軟負(fù)責(zé)PyTorch的經(jīng)理舉的數(shù)字很有意思：如果我們考慮全球所有的開發(fā)者的話（而不是我們常說的互聯(lián)網(wǎng)/機(jī)器學(xué)習(xí)開發(fā)者），大部分開發(fā)者使用的還是Windows平臺(tái)。

• 這就意味著，盡管現(xiàn)在大部分PyTorch的用戶還是在Linux/Mac平臺(tái)開發(fā)，PyTorch在Windows上的運(yùn)行還是存在一些坑，但是PyTorch到后面的用戶增長很可能會(huì)來自于這些Windows平臺(tái)開發(fā)者

• PyTorch Mobile: PyTorch在移動(dòng)平臺(tái)端的支持得到進(jìn)一步提升，而且可以用一行代碼把一個(gè)模型轉(zhuǎn)換為針對(duì)移動(dòng)平臺(tái)優(yōu)化的格式

• 這項(xiàng)Effort也得到了Android的合作與支持，看來提升移動(dòng)端性能是行業(yè)共同的需求
• 這也很符合前面提到的Production Grade原則

利用Tensorboard對(duì)模型調(diào)試、理解的一個(gè)例子：以可視化的方式幫助分析超參數(shù)對(duì)模型的影響

#2 - Research 科研領(lǐng)域

• Torch for R & Hasktorch: 眾所周知PyTorch的前身是Torch（現(xiàn)在的內(nèi)核依然是C++的LibTorch）。這塊講的是怎么在R和Haskell里面實(shí)現(xiàn)類似PyTorch的API（但是用的同一套內(nèi)核），從而讓這些語言的用戶不需要切換到Python也可以享受到PyTorch一般的爽感

• 這個(gè)感覺可能跟 @王益 大神參與的golang + Torch類似？
• 但個(gè)人判斷：Python的勢(shì)頭是止不住的。目前大部分的研究+生產(chǎn)環(huán)境生態(tài)系統(tǒng)都是圍繞著Python來打造。就算橫空出世了另外一門語言的Binding可以跟Python一樣好用（不太可能做到比Python的版本還好用），跑起來更快，但是想要在用戶群體和生態(tài)上追趕基本不可能

• Model Interpretability: 介紹了一個(gè)專門做模型可解釋性的Library，叫Captum (Captum · Model Interpretability for PyTorch)

• 前兩年在組內(nèi)做Planning的時(shí)候其實(shí)想過做一個(gè)類似的東西，沒想到現(xiàn)在已經(jīng)出來了這么成熟的產(chǎn)品，支持了包括LIME在內(nèi)的各種算法
• 個(gè)人看法：可以預(yù)見它很可能會(huì)成為模型可解釋性方面的頭號(hào)產(chǎn)品。很多諸如MLFlow的機(jī)器學(xué)習(xí)模型管理平臺(tái)都在搶著把它整合進(jìn)自己的工具鏈，其搶手程度可見一斑

• DeepSpeed: 微軟發(fā)布的基于PyTorch的深度學(xué)習(xí)庫

• 這個(gè)目測(cè)是目前唯一一個(gè)能訓(xùn)練參數(shù)量達(dá)1T(=一萬億)的庫。鑒于這個(gè)庫是在太牛逼，之后我會(huì)專門寫一篇文章講解，這里略過細(xì)節(jié)

DeepSpeed 霸氣1T參數(shù)。而且還有很多別的牛逼的功能（看右邊的全家桶）

#3 - Production Ecosystem 生產(chǎn)環(huán)境相關(guān)的生態(tài)

• MLFlow: Databrick (Spark創(chuàng)始人開的公司) 做的機(jī)器學(xué)習(xí)管理平臺(tái)，從而可以更好、更工程化地管理/開發(fā)機(jī)器學(xué)習(xí)項(xiàng)目。

• MLFlow一開始出來的時(shí)候，我關(guān)注了一下，當(dāng)時(shí)支持的主要還是sklearn等比較基礎(chǔ)的機(jī)器學(xué)習(xí)庫?，F(xiàn)在看來已經(jīng)開始官方地支持PyTorch模型的訓(xùn)練和追蹤、可視化等，這對(duì)于PyTorch進(jìn)一步工程化、平民化有很重要的意義

• PyTorch + XLA: 講的是如何把PyTorch模型轉(zhuǎn)變成XLA可支持的格式，從而可以在TPU上跑

• 這就是前面提到的Interoperable原則的一個(gè)很好的體現(xiàn)。XLA這個(gè)其實(shí)是Google搞出來，讓機(jī)器學(xué)習(xí)模型可以更好適配不同硬件的東西。Facebook把自己的PyTorch弄成跟XLA兼容，一定程度上可以借XLA之手可以更容易地適配不同的硬件，自己可以少費(fèi)點(diǎn)功夫，最后大家雙贏

ML Flow的一個(gè)示意圖，用于追蹤模型訓(xùn)練的參數(shù)，結(jié)果比較，相關(guān)的文件/asset等

#4 - Privacy 用戶隱私相關(guān)

• Differential Privacy: 現(xiàn)在只需幾行代碼改動(dòng)便可以使得一個(gè)PyTorch模型的訓(xùn)練符合Differential Privacy的要求

• 這塊應(yīng)該是最近比較熱門的方向——我的理解是，如何讓機(jī)器學(xué)習(xí)模型學(xué)習(xí)數(shù)據(jù)集整體的特性，同時(shí)無法得知單獨(dú)數(shù)據(jù)點(diǎn)的細(xì)節(jié)（因?yàn)檫@樣單個(gè)用戶的隱私可能就會(huì)被泄漏），如果理解有誤的話還有望指正
• 個(gè)人看法：PyTorch內(nèi)置Differential Privacy的支持應(yīng)該對(duì)于大公司內(nèi)部做ML Infra，以及做機(jī)器學(xué)習(xí)平臺(tái)的公司來說利好——簡單的修改即可以說自己符合Differential Privacy，產(chǎn)品賣的好，面對(duì)政客/媒體底氣更足了

• OpenMined: 一個(gè)可以讓數(shù)據(jù)科學(xué)家在不直接獲取私有數(shù)據(jù)的前提下，訓(xùn)練模型或者查詢聚合過的數(shù)據(jù)（比如說，醫(yī)院不開放他們的病人數(shù)據(jù)，但我可以通過這個(gè)平臺(tái)用我的算法和醫(yī)院的數(shù)據(jù)訓(xùn)練模型給醫(yī)院用，同時(shí)我自己得知不了任何病人的隱私）

• 個(gè)人看法：這是個(gè)很有意思的想法（跟前段時(shí)間火的用區(qū)塊鏈解決隱私問題感覺還有那么一丟丟聯(lián)系），但是看現(xiàn)在的發(fā)展程度還處于比較早期階段，怎么落地，怎么證明商業(yè)價(jià)值，還有比較多需要探索的地方，可以長期關(guān)注一下

OpenMined的Leader舉的例子，以證明他的觀點(diǎn)：機(jī)器學(xué)習(xí)的眾多飛躍里，有很多來自于數(shù)據(jù)量的提升，而不是算法的提升。因此，他認(rèn)為隱私安全的數(shù)據(jù)共享，可以提高機(jī)器學(xué)習(xí)的數(shù)據(jù)集數(shù)量和大小，從而繼續(xù)推動(dòng)機(jī)器學(xué)習(xí)的飛躍。

第三部分：總結(jié)

以下純屬個(gè)人看法/預(yù)測(cè)：

• 對(duì)于PyTorch以及核心團(tuán)隊(duì)來說，易用性是立身之本，永遠(yuǎn)不可能放棄，它也很有可能在"最好用的深度學(xué)習(xí)框架“榜單長期稱霸。因此PyTorch用戶基本不用擔(dān)心他會(huì)變得難用，感覺research community就放心大膽用吧

• PyTorch接下來最大的挑戰(zhàn)和機(jī)會(huì)，就是在生產(chǎn)環(huán)境中證明自己，尤其是服務(wù)器端Inference。這塊是一個(gè)剛開始大力投入且還有很多可以深挖的技術(shù)領(lǐng)域，著名大神們會(huì)介入，也會(huì)出現(xiàn)新的大神

• 對(duì)于在考慮生產(chǎn)環(huán)境用PyTorch的工程師團(tuán)隊(duì)來說，我的建議是

• 選取一些有意義（但又不至于至關(guān)重要以至于不容許任何失?。?/strong>的Use Case開始試水
• 及早和PyTorch團(tuán)隊(duì)建立聯(lián)系，提供反饋。我的猜想是PyTorch團(tuán)隊(duì)有極大的動(dòng)力來和用戶深度合作來改進(jìn)PyTorch在生產(chǎn)環(huán)境的技能以及修Bug。作為Early Adopter可以獲得更多的支持以及建立自己公司在這個(gè)技術(shù)領(lǐng)域的口碑，對(duì)于未來的招聘會(huì)有幫助

• 接下來將會(huì)是PyTorch Ecosystem的高速發(fā)展期。配套設(shè)置的需求會(huì)增多，也會(huì)有越來越多的類似于Captum [見上文] 這樣基于PyTorch而開發(fā)的輔助工具/輪子出現(xiàn)，對(duì)于有興趣的開源程序猿來說是個(gè)機(jī)會(huì)

• 對(duì)于做機(jī)器學(xué)習(xí)平臺(tái)型產(chǎn)品的公司來說，暫時(shí)還不是All-in-PyTorch的時(shí)候，但是一定對(duì)PyTorch的支持不能懈怠

最后多說兩句：我個(gè)人對(duì)PyTorch還是非?？春玫?，甚至有點(diǎn)想把它跟Apache Hive類比起來：后者可以讓人寫SQL來執(zhí)行MapReduce，對(duì)于開發(fā)生產(chǎn)力提升是個(gè)極大的飛躍；性能可能不一定有手寫的MR代碼好，但是通過引擎不停優(yōu)化也不影響在生產(chǎn)環(huán)境的廣泛應(yīng)用。PyTorch以易用性/開發(fā)生產(chǎn)力為第一位，同時(shí)不斷優(yōu)化底層性能，因此我認(rèn)為它最終也會(huì)被極為廣泛的采用。