PyTorch 是一种非常灵活的深度学习框架，它允许通过动态神经网络（例如利用动态控流——如 if 语句或 while 循环的网络）进行自动微分。它还支持 GPU 加速、分布式训练以及各类优化任务，同时还拥有许多更简洁的特性。

今年 3 月初，官方团队发布了 PyTorch 1.8 版本，整合了自去年 10 月 1.7 版本发布以来的 3000 多次 commit，并提供了编译、代码优化、科学计算前端 API 方面的更新和新特性。值得一提的是，该版本还新增了对 AMD ROCm 的支持。

长期以来，为了充分挖掘 PyTorch 的特性，研究人员也提出了各种各样的小技巧，比如如何加快深度学习模型训练的使用、训练完模型以后如何保存模型、如何使用多卡训练以及如何在训练过程中让学习率进行衰减等。这些小技巧或多或少都可以提升 PyTorch 的使用效率。

7 个技巧提升 PyTorch 技能

发帖人总结了 7 个有助于提升 PyTorch 使用技能的技巧。这些技巧都是发帖人经常出错或者忘记的内容总结。此外，发帖人还在 Colab 上展示了一些应用示例和视频讲解。

1、在目标设备上使用 device 参数直接创建 tensors；

2、使用 Sequential 层获得更干净的代码；

3、不要列出层 list，因为不会被 nn.Module 类正确注册。相反，应该将 list 作为未打包的参数传递到 Sequential 层中；

4、PyTorch 为 distributions 提供了一些很棒的对象和函数，但它们在 torch.distribution 中没有得到充分利用；

5、当在两个 epoch 之间存储张量指标时，确保调用. detach() 以避免内存泄漏；

6、使用 torch.cuda.empty_cache() 清除 GPU 缓存，如果你想在使用 notebook 时删除并重新创建一个大模型，这很有用；

7、在开始测试之前，不要忘了调用 model.eval()。