边策 乾明 发自 凹非寺 量子位 报道 | 公众号 QbitAI大家又少了一个用TensorFlow的理由。在一年一度的开发者大会F8上，Facebook放出PyTorch的1.1版本，直指TensorFlow“腹地”。不仅宣布支持TensorFlow的可视化工具TensorBoard，还正式向工业界迈进，为生产环境改进了PyTorch处理分布式训练的方式。而且，根据Facebook介绍，开发这一版本的过程中谷歌还帮了不少忙。科技媒体TechCrunch评论称，虽然版本号只从1.0到1.1的变化，但依旧非常重要。此外，围绕着打造“开发和协作的AI社区”的愿景，Facebook还介绍了5大开源工具。同时，他们也分享了Facebook在自家程序中应用AI的情况，以及对AI研究的展望。下面，我们一个个来看~Pytorch大更新与2018年12月正式发布的Pytorch1.0相比，这次发布的1.1版本提高了性能，并增加了新的模型理解和可视化工具，来提高可用性，还提供了新的API。其中，最重要的功能是支持TensorBoard，它是谷歌为TensorFlow打造的可视化工具，能够帮助开发人员评估和调试模型。根据Facebook介绍，在开发这一功能的时候，他们与谷歌有非常密切的合作。现在，Pytorch使用一个简单的“from torch.utils.TensorBoard import SummaryWriter”命令来支持TensorBoard。其他的更新还有：Jit编译器：改进了Just-in-time(JIT)编译。包括各种错误的修复以及TorchScript中扩展的功能，例如对字典、用户类和属性的支持。新API：支持布尔张量，更好地支持自定义循环神经网络。分布式训练：改进了常见模型（如CNN）的性能，增加了对多设备模块的支持，包括在仍使用分布式数据并行（DDP）的情况下跨GPU分割模型的能力，以及对并非所有参数都用于每次迭代的模块的支持（如控制流，如自适应SoftMax等）。关于本次更新，Pytorch在下面的GitHub文档中进行了详细的解释，

。对于这次更新，PyTorch的产品经理Joe Spisa表示，他们并不是要将PyTorch变成金钱，而是希望PyTorch拥有一个社区。他表示，现在这个社区正开始从一个以研究为中心的社区向生产型的社区转变，而且转变速度也在快速增长。PyTorch路线图的下一步是，以更少的比特数运行神经网络，实现更快的CPU和GPU性能，并支持AI从业者创建命名张量维数。5大开源工具为了更好地建设AI社区，今年的F8大会上，Facebook还开源了5大工具：Ax、BoTorch、idb、Memscout、Mvfst。AxAx是一个可访问的通用自适应实验平台，用于管理、部署和自动化实验。该平台利用BoTorch提供的最新进展，使开发人员更容易优化其产品和基础设施。Ax还降低了贝叶斯优化（Bayesian optimization）、多臂老虎机（multiarmed bandit）和其他复杂实验技术的门槛，帮助研究人员将想法从研究转向生产。BoTorch是PyTorch上的贝叶斯优化软件库，为Ax优化模型参数提供支持。BoTorch将模块化设计和PyTorch的自动微分特性基于蒙特卡罗的提取函数使用相结合，显著提高了开发人员的效率。BoTorch具有与任何PyTorch模型集成的能力，在贝叶斯优化和深度学习中实现高度灵活性、便利的研究。以上两种工具已经在Facebook内部大规模部署，Facebook用它们改善信息流推荐和视频播放。idbidb（iOS development bridge）是自动化iOS模拟器和设备的命令行界面。它提供的简单原始的API，轻松构建复杂的工作流。idb还有客户机-服务器架构，可以更容易地在一组机器之间分配工作。Memscout是一个分析工具，它是jemalloc内存分配器的伴侣。Memscout为正在运行的流程的解释jemalloc统计文件（JSON格式）原始数据，并突出显示相关指标。它会发现分配器的低效率，并提供对流程内存分配模式的深入观察，然后提供可用于快速诊断与内存相关的性能问题的统计信息。Mvfst是QUIC传输协议的实现。mvfst的目标是构建最灵活、高性能的传输协议，让应用程序可以适应互联网上和数据中心内的用例。它的特性包括流多路复用、0-RTT连接的建立，更好的损失恢复、从头开始的安全性以及灵活的拥塞控制。用AI改善用户体验Facebook信息流可以说是国外的“朋友圈”，里面有太多的假新闻和有害信息，扎克伯格也因此受到美国国会质询。所以Facebook的AI工具一个重要的用途就是用来识别和处理社交网络上有害的言论、照片和视频。一个具体例子是新的“最近邻”算法。Facebook用这种算法发现色情暴力图片比以前快8.5倍。另一个例子是开源工具包LASER。Facebook用它来训练单一模型以理解大量不同语言，而不必为每一种语言使用不同的模型，它可以检测用户是否发布违反社交网络政策的言论。在视频中发现有害信息的难度比照片高出几个数量级，Facebook的新技术能将其分解为短片段，去掉其中冗余和不相关的内容。这种更有针对性的分析和训练使得AI理解视频更快，更准确。One More Thing目前，Facebook正在大力发展自监督学习技术，将未标记数据与少量标记数据结合使用，以提高机器学习的准确性。所谓的“自监督学习”就是我们说的“无监督学习”。Facebook首席AI科学家Yann LeCun说，把“自监督”说成“无监督”是具有误导性的，因为自监督学习比监督学习使用更多的监督信号，并且远远超过强化学习。自监督学习在自然语言处理方面取得了巨大成功。在LeCun看来，在图像和视频上使用这项技术未来几年ML和AI的最大挑战。