PyTorch 1.2 sekarang didukung penuh pada Azure – inilah beberapa cara yang dapat digunakan
Gambar via Facebook TeknikPyTorch adalah kerangka pembelajaran mesin sumber terbuka yang digunakan untuk pembuatan dan pelatihan model pembelajaran yang mendalam. Ini kemudian dapat diterapkan dalam berbagai kasus penggunaan, sebagian besar berkaitan dengan bidang visi komputer, pemrosesan bahasa alami, dan sejenisnya.
Microsoft mengumumkan dukungan penuh untuk PyTorch pada Azure tahun lalu; beberapa pengembang raksasa teknologi mengambil bagian aktif dalam komunitas kerangka pelatihan, dan PyTorch ditawarkan melalui banyak layanan platform AI raksasa Redmond. Sekarang, beberapa minggu setelah rilis PyTorch 1.2, Microsoft telah menyoroti beberapa cara yang dapat digunakan pada Azure, sementara juga menegaskan kembali dukungannya yang berkelanjutan untuk perpustakaan berbasis obor.
Meskipun terutama ditulis dalam Python, PyTorch juga memiliki antarmuka C ++. Versi baru dari kerangka kerja ini telah diintegrasikan dengan beberapa layanan platform cloud Microsoft yang meliputi Azure Machine Learning, Azure Notebooks, dan Data Science Virtual Machine. Anda dapat menggunakan beberapa fitur terbaru dengan cara berikut untuk masing-masing layanan ini:
- Layanan Pembelajaran Mesin Azure – Azure Machine Learning merampingkan pembangunan, pelatihan, dan penyebaran model pembelajaran mesin. Python SDK dari Azure Machine Learning memiliki penduga PyTorch khusus yang memudahkan menjalankan skrip pelatihan PyTorch pada target komputasi apa pun yang Anda pilih, apakah itu mesin lokal Anda, satu mesin virtual (VM) tunggal di Azure, atau cluster GPU di Azure. Pelajari cara melatih model pembelajaran dalam Pytorch dalam skala besar dengan Azure Machine Learning.
- Notebook Azure – Azure Notebooks menyediakan server notebook Jupyter yang di-host secara cloud dengan PyTorch 1.2 yang sudah diinstal sebelumnya. Untuk mempelajari lebih lanjut, lihat tutorial dan contoh PyTorch.
- Ilmu Data Mesin Virtual – Ilmu Data Mesin Virtual sudah dipra-konfigurasi dengan ilmu data populer dan alat pembelajaran yang mendalam, termasuk PyTorch 1.2. Anda dapat memilih berbagai jenis mesin untuk meng-host Data Science Virtual Machine Anda, termasuk yang dengan GPU. Untuk mempelajari lebih lanjut, lihat dokumentasi Ilmu Data Mesin Virtual.
Selanjutnya, Microsoft juga merinci kemajuan yang telah dibuatnya dalam membuat proses pengambilan model PyTorch dari pelatihan ke produksi menjadi lebih efisien. Open Neural Network Exchange (ONNX) telah direkomendasikan untuk ekspor model. Khususnya, model ONNX dapat disimpulkan menggunakan ONNX Runtime, yang telah ditulis dalam C ++ dan didukung pada Windows, Linux, dan Mac. Karena mesin inferensi berukuran cukup kecil, mesin ini sangat cocok untuk mengekspor beban kerja pembelajaran mesin skala produksi di berbagai perangkat target. Selain itu, NVIDIA dan Intel juga telah mengintegrasikan akselerator mereka dengan Runtime, membuatnya lebih efisien pada CPU, GPU, dan VPU.
Dengan demikian, Microsoft telah menyumbangkan beberapa fitur ekspor ONNX yang disempurnakan untuk PyTorch 1.2, yang meliputi:
- Dukungan untuk jajaran model PyTorch yang lebih luas, termasuk deteksi objek dan model segmentasi seperti mask RCNN, RCNN yang lebih cepat, dan SSD
- Dukungan untuk model yang bekerja pada input panjang variabel
- Model ekspor yang dapat berjalan pada berbagai versi mesin inferensi ONNX
- Optimalisasi model dengan pelipatan konstan
- Tutorial ujung ke ujung yang menunjukkan ekspor model PyTorch ke ONNX dan menjalankan inferensi di ONNX Runtime
Anda dapat mempelajari lebih lanjut tentang menggunakan model PyTorch 1.2 ke cloud, ke Windows aplikasi, dan ke perangkat Linux IoT ARM dengan mengklik tautan tutorial yang relevan. Versi terbaru dari kerangka kerja pembelajaran yang dalam tentang Azure dapat diperiksa melalui uji coba gratis.
