深度学习框架 PyTorch 发布 1.11 版本

Python 著名 AI 框架 PyTorch 1.11 已发布。此版本由自 1.10 以来的 3300 多个提交组成， TorchData 和 functorch 的 beta 版本亦伴随发布。

版本概括：

• TorchData 是一个用于通用模块化数据加载原语的新库，用于轻松构建灵活和高性能的数据管道。在 GitHub 上查看。
• functorch 是一个将可组合函数转换添加到 PyTorch 的库，现已推出 beta 版。在 GitHub 上查看。
• 分布式数据并行 (DDP) 静态图优化稳定可用。

TorchData 介绍

TorchData 是一个通用模块化数据加载原语库，用于轻松构建灵活且高性能的数据管道。现有的 DataLoader 将太多的功能捆绑在一起，难以扩展，此外，不同的用例通常必须一遍又一遍地重写相同的数据加载实用程序。TorchData 的目标是通过称为 “DataPipes” 的 Iterable 样式和 Map 样式的构建块启用可组合的数据加载，这些构建块与 PyTorch 的 DataLoader 开箱即用。

目前已经实现了 50 多个提供不同核心功能的 DataPipes，例如打开文件、解析文本、转换样本、缓存、混洗和批处理。在此版本中，一些 PyTorch 域库已迁移其数据集以使用 DataPipes。在 TorchText 中，库提供的流行数据集是使用 DataPipes 实现的，其 SST-2 二进制文本分类教程的一部分演示了如何使用 DataPipes 为模型预处理数据。

TorchData 的文档现已上线，包含介绍如何使用 DataPipes、将它们与 DataLoader 一起使用以及实现自定义。项目的 README 文件中描述了与 DataLoader 相关的常见问题解答和未来计划。

functorch 介绍

受 Google JAX 的极大启发，functorch 是一个向 PyTorch 添加可组合函数转换的库。它旨在提供可组合的 vmap（矢量化）和 autodiff 转换，可与 PyTorch 模块和 PyTorch autograd 一起使用，并具有良好的渴望模式性能。

可组合的函数转换可以帮助解决当今在 PyTorch 中难以实现的许多用例：

• 计算每样本梯度（或其他每样本数量）
• 在单台机器上运行模型集合
• 在 MAML 的内循环中有效地将任务批处理在一起
• 有效地计算雅可比矩阵和黑森矩阵以及批量矩阵

组合 vmap（矢量化）、vjp（反向模式 AD）和 jvp（正向模式 AD）转换能够轻松地表达上述内容，而无需为每个转换设计单独的库。有关 functorch 的详细信息，请参阅文档、教程和安装说明。

分布式训练

（稳定）DDP 静态图

DDP 静态图假设您的模型在每次迭代中都使用相同的一组已使用 / 未使用的参数，因此它可以确定性地了解状态，例如哪些 hooks 将触发、hooks 将触发多少次以及第一次迭代后的梯度计算就绪顺序。

静态图在第一次迭代中缓存了这些状态，因此它可以支持 DDP 在以前的版本中无法支持的功能，例如，支持在相同参数上的多个激活检查点，无论是否有未使用的参数。当存在未使用的参数时，静态图功能还应用性能优化，例如，它避免遍历图以在每次迭代中搜索未使用的参数，并启用动态分桶顺序。

DDP 静态图中的这些优化为一些推荐模型带来了 10% 的 QPS 增益。

要启用静态图，只需在 DDP API 中设置 static_graph=True ，如下所示：

ddp_model = DistributedDataParallel(model, static_graph=True)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓