PyTorch1.8版本集合了自2020年10月1.7发布以来的超过3000次GitHub提交。不过，最令人欣喜的还是官方终于加入了对AMD ROCm的支持，可以方便的在原生环境下运行，不用去配置Docker了。

请注意AMD ROCm只支持Linux操作系统。此外，本次更新还有诸多亮点：

• 优化代码，更新编译器
• Python内函数转换
• 增强分布式训练
• 新的移动端教程与演示
• 新的性能检测工具

相关的库TorchCSPRNG, TorchVision, TorchText和TorchAudio也会随之更新。要注意的是，自1.6起，Pytorch新特性将分为Stable、Beta、Prototype三种版本。其中Prototype不会包含到稳定发行版中，需要从Nightly版本自行编译。

Python to Python函数转换

新增的Beta特性torch.fx可以实现Python到Python的函数转换，可以方便的加入任何工作流程。

新的API，向NumPy学习！

1.7版本中增加的Beta特性torch.fft已成为正式特性。实现了与Numpy中的np.fft类似的快速傅立叶变换，还增加了硬件加速支持与自动求导，以更好的支持科学计算。

还增加了Beta版NumPy风格的线性代数模块torch.linalg，支持Cholesky分解、行列式、特征值等功能。

增强分布式训练

增加了稳定的异步错误与超时处理，增加NCCL的可靠性。增加了Beta版的流水线并行功能*（Pipeline Parallelism）*，可将数据拆解成更小的块以提高并行计算效率。

增加Beta版的DDP通讯钩子，用于控制如何在workers之间同步梯度。另外还有一些Prototype版的分布式训练新特性。

ZeroRedundancyOptimizer：用于减少所有参与进程的内存占用。

Process Group NCCL Send/Recv：让用户可在Python而不是C++上进行集合运算。

CUDA-support in RPC using TensorPipe：增加对N卡多卡运算的效率。

Remote Module：让用户像操作本地模块一样操作远程模块。

移动端新教程

随本次更新发布了图像分割模型DeepLabV3在安卓和IOS上的详细教程。

以及图像分割、目标检测、神经机器翻译等在安卓和IOS上的演示程序，方便大家更快上手。

另外还有PyTorch Mobile Lite Interpreter解释器，可以减少运行时文件的大小。

性能检测工具

增加Beta版的Benchmark utils，用户可以进行精确的性能测试。

以及Prototype版的FX Graph Mode Quantization，实现了量化过程的自动化。

文章部分素材来源：量子位