Menu
La conférence PyTorch s’est tenue à San Francisco il y a quelques jours ! Nous y avons épinglé pour vous deux annonces importantes. D’un côté, l’annonce d’ExecuTorch. De l’autre, la sortie de PyTorch 2.1. Voici ce qu’il faut en retenir.
La Pytorch Foundation a plutôt bien réussi son premier grand rassemblement annuel. PyTorch continue d’évoluer rapidement sous l’égide de la Linux Foundation. Les annonces complètes sont résumées dans cet article (en anglais), mais nous épinglons pour vous deux nouveautés essentielles de l’écosystème.
Lancement d’ExecuTorch
ExecuTorch se présente comme un runtime compact avec un registre d’opérateurs léger pour couvrir l’écosystème de modèles PyTorch. C’est aussi un chemin simplifié pour exécuter les programmes PyTorch sur les appareils edge.
Il s’agit d’une suite d’outils permettant aux développeurs de ML d’effectuer un profilage du modèle sur l’appareil et d’améliorer les méthodes de débogage du modèle PyTorch original, comme on peut le lire dans l’annonce officielle.
ExecuTorch est conçu de manière composable pour permettre aux développeurs de ML de décider des composants à utiliser et des points d’entrée pour les étendre si nécessaire. Le tout en open source.
Plusieurs avantages :
- Compatibilité avec une grande variété de plateformes informatiques, des téléphones mobiles haut de gamme aux systèmes intégrés et microcontrôleurs très contraignants.
- Possibilité d’utiliser les mêmes chaînes d’outils et SDK depuis la création et la conversion de modèles PyTorch, jusqu’au débogage et au déploiement sur une grande variété de plateformes.
- Performances malgré un runtime léger, ainsi qu’une capacité à utiliser toutes les capacités matérielles, y compris les CPU à usage général et les microprocesseurs à usage spécialisé tels que les NPU et les DSP.
Sortie de PyTorch 2.1
Autre nouveauté annoncée : la publication de PyTorch 2.1, qui succède à la version 2.0 sortie en avril dernier et dont nous vous parlions ici.
PyTorch 2.1 offre un support automatique des formes dynamiques dans torch.compile. La nouvelle version offre de nombreuses améliorations de performance ainsi qu’une version prototype de torch.export, un mécanisme de capture de graphe complet et une quantification basée sur torch.export.
Avec la version 2.1, les développeurs ont également publié une série de mises à jour des bibliothèques du domaine PyTorch.
