PyTorch 1.6、TensorFlow 2.3、Pandas 1.1同日发布！都有哪些新特性？
7月29日，PyTorch 1.6、TenorFlow 2.3、Pandas 1.1恰巧同时发布。这三个库都是定期滚动更新，大约每个季度更新一次小版本。
在AI内卷化达到“灰飞烟灭”的今日，仅仅会对PyTorch或TensorFlow进行调用已经不具有竞争力。所有深度学习研发者都需要同时了解PyTorch和TensorFlow，并精通其中一种,需要同时了解PyTorch和TensorFlow的原因在于：(1) 绝大多数情况下研发人员并没有太多选择框架的自由。选择PyTorch还是TensorFlow主要取决于团队积累和项目基础设施情况；(2) 如果你已经达到可以为团体选框架的程度，那在做选择时则需要同时熟悉PyTorch和TensorFlow的生态，才能做出最佳选择。
精通PyTorch或是TensorFlow，则要求不仅仅会掉包调参，并且 (1) 具有较为丰富的分布式训练和调参经验，这个是目前大型研究必备技能；(2) 了解框架的内部实现，可以对框架的功能扩展或错误定位，能参与工程部署。而这两者都可以通过为PyTorch或TensorFlow贡献源码来积累经验（虽然前者可能需要依托实验室或大型企业的基础设施）。
说到PyTorch 1.6，它的最新特性也涉及到分布式训练、部署等内容。PyTorch 1.6相比于上一稳定版本的更新包括：
(1) 原生支持GPU混合精度训练（Automatic mixed precision，AMP），据说这个特性是NVIDIA团队加持的。
(2) 分布式训练和RPC通信：TensorPipe原生的支持张量。TensorPipe是PyTorch分布式训练的通信工具，详情可参阅GitHub：pytorch/tensorpipe。还有其他分布式并行训练（Distributed Data Parallel，DDP）和（Remote Procedural Call，RPC）包的改进。
(3) 复数张量运算和其他新的运算，如torch.logcumsumexp()、torch.logaddexp()、torch.rad2deg()、torch.deg2rad()、torch.arccosh()、torch.arcsinh()、torch.arctanh()等，新的激活层torch.nn.Hardswish。
(4) 从张量层面分析内存消耗。
PyTorch内存消耗分析示例
import torch
import torchvision.models as models
import torch.autograd.profiler as profiler
model = models.resnet18()
inputs = torch.randn(5, 3, 224, 224)
with profiler.profile(profile_memory=True, record_shapes=True) as prof:
model(inputs)
# NOTE: some columns were removed for brevity
print(prof.key_averages().table(sort_by="self_cpu_memory_usage", row_limit=10))
# --------------------------- --------------- --------------- ---------------
# Name CPU Mem Self CPU Mem Number of Calls
# --------------------------- --------------- --------------- ---------------
# empty 94.79 Mb 94.79 Mb 123
# resize_ 11.48 Mb 11.48 Mb 2
# addmm 19.53 Kb 19.53 Kb 1
# empty_strided 4 b 4 b 1
# conv2d 47.37 Mb 0 b 20
# --------------------------- --------------- --------------- ---------------
PyTorch 1.6也有一些和之前版本不兼容的改进。在数值方面主要包括整数除法的运算结果的改变。
PyTorch除法行为变化示例
PyTorch 1.5.1行为
>>> torch.tensor(3) / torch.tensor(2)
../aten/src/ATen/native/BinaryOps.cpp:81: UserWarning: Integer
division of tensors using div or/ is deprecated, and in a future
release div will perform true division asinPython3.Use true_divide
or floor_divide (// in Python) instead.
tensor(1)
PyTorch 1.6行为
>>># NB: the following is equivalent to
>>># torch.floor_divide(torch.tensor(3), torch.tensor(2))
>>> torch.tensor(3) // torch.tensor(2)
tensor(1)
TF团队和PyTorch团队的更新侧重点大同小异，更新也主要在分布式、性能监控等方面。tf.distribute.TPUStrategy在TF2.3成为了稳定API，性能监控也不约而同的增强了对内存的监控。在部署方面，tf.lite大大增强，针对Android和iOS的CPU/GPU性能都有优化。
Pandas 1.1增加了许多方便的小函数。小编觉得最有用的两组更新是：(1) DataFrame.compare() 函数和Series.compare() 函数，可以很方便地比较两个DataFrame或是两个Series。(2) DataFrame排序可以基于关键字key了，排序灵活了不少。
TensorFlow、PyTorch、Pandas这三个库作为AI开发者的必备库，目前都较为稳定，更新内容也基本在预料之中。它们的更新也充分体现了目前AI发展的趋势。在可预见的未来，这两个库都会继续成为AI开发的主力库。
C语言视频及学习资料
http://www.makeru.com.cn/course/1861.html?s=143793
python视频及学习资料
http://www.makeru.com.cn/live/detail/1637.html?s=143793
linux视频及学习资料
http://www.makeru.com.cn/course/details/2058?s=143793
