PyTorch原型示例

创建日期: 2021年3月3日 | 最后更新日期: 2024年10月10日 | 最后验证日期: 2024年11月5日

原型功能不作为二进制分发的一部分提供，例如PyPI或Conda（除非可能在运行时标志后面）。要测试这些功能，我们将根据具体功能，建议从master构建或使用在pytorch.org上提供的每夜构建轮子。

承诺级别: 我们将仅针对这些功能收集高带宽反馈。基于这些反馈和社区成员之间的潜在进一步互动，我们将作为一个社区决定是否升级承诺级别或快速失败。

---

FX 图模式量化用户指南

了解 FX 图模式量化。

FX, 量化

FX 图模式后训练动态量化

了解如何基于 torch.fx 在图模式下进行后训练动态量化。

FX，量化

FX 图模式后训练静态量化

学习如何基于 torch.fx 在图模式下进行后训练静态量化。

FX，量化

BERT 的图模式动态量化

了解如何在 BERT 模型上使用图模式量化进行训练后动态量化。

文本, 量化

PyTorch 数值套件教程

了解如何使用 PyTorch 数值套件来支持量化调试工作。

调试,量化

如何为PyTorch 2导出量化编写量化器

学习如何为PT2导出量化实现一个量化器

量化

PyTorch 2 导出后训练量化

了解如何在 PyTorch 2 导出中使用后训练量化。

量化

PyTorch 2 导出量化感知训练

了解如何在 PyTorch 2 导出中使用量化感知训练。

量化

PyTorch 2 使用通过Inductor的X86后端进行导出量化

了解如何使用通过Inductor的X86后端进行PT2导出量化。

量化

（原型）使用半结构化（2:4）稀疏性加速BERT

将BERT修剪为2:4稀疏并加速推理。

模型优化

在PyTorch中使用iOS GPU

了解如何在iOS GPU上运行您的模型。

移动设备

将MobileNetV2转换为NNAPI

了解如何准备计算机视觉模型以使用Android的神经网络API（NNAPI）。

移动设备

PyTorch Vulkan 后端用户工作流程

了解如何在移动 GPU 上使用 Vulkan 后端。

移动设备

基于追踪的选择性构建移动解释器在Android和iOS中的应用

了解如何通过基于追踪的选择性构建来优化移动解释器的大小。

移动

将Mobilenetv2转换为Core ML

了解如何准备计算机视觉模型以使用PyTorch Core ML移动后端。

移动

在 PyTorch 1.10 中跳过模块参数初始化

描述了在 PyTorch 1.10 中模块构造期间跳过参数初始化，避免浪费计算。

模块

模型冻结在TorchScript中

冻结是将Pytorch模块参数和属性值内联到TorchScript内部表示的过程。

TorchScript

使用 torch.vmap

了解 torch.vmap，这是 PyTorch 操作的自动向量化工具。

vmap

嵌套张量

了解嵌套张量，一种处理异构长度数据的新方法

嵌套张量

MaskedTensor 概述

了解 masked tensors，即指定和未指定值的真实来源

MaskedTensor

掩码张量稀疏性

了解如何在掩码张量中利用稀疏布局（例如 COO 和 CSR）

掩码张量

掩码张量高级语义

了解更多关于掩码张量的高级语义（归约和与NumPy的MaskedArray比较）

掩码张量

MaskedTensor：简化Adagrad稀疏语义

查看如何使用掩码张量实现稀疏语义，并提供更简洁的开发体验的示例

MaskedTensor

Inductor Cpp Wrapper 教程

使用 Inductor Cpp Wrapper 加速您的模型

模型优化

Inductor Windows CPU 教程

使用 Inductor 在 Windows CPU 上加速您的模型

模型优化

在CPU上使用max-autotune编译以获得额外的性能提升

在CPU上使用max-autotune模式以获得额外性能提升的教程

模型优化

飞行记录器教程

使用飞行记录器轻松调试卡住的任务

分布式，调试，飞行记录器

树外扩展自动加载在Python中的应用

了解如何基于自动加载机制改进与PyTorch的无缝集成。

扩展-PyTorch，前端-APIs