看到Pythorch社区继续发展并定期发布Pythorch的更新版本是令人兴奋的！最近的版本提高了性能，ONNX导出，TorchScript，C++前端，JIT和分布式培训。还介绍了一些新的实验特性，如量子化。在今年秋天早些时候的Pythorch开发者大会上，我们介绍了我们对Pythorch的开源贡献如何使它更好地为社区中的每个人带来好处。我们还谈到了PyBing如何为微软开发Torch服务的模型。无论您是个人、小型团队还是大型企业，管理机器学习生命周期都是一项挑战。我们想向您展示Azure机器学习如何使用Pythorch使您和您的组织更有效率。利用Azure机器学习简化研究到生产生命周期在Azure机器学习中使用PyTorch 1.3的好处之一是机器学习操作（MLOps）。MLOps简化了端到端机器学习（ML）生命周期，因此您可以频繁地更新模型、测试新模型，并在其他应用程序和服务的同时不断推出新的ML模型。MLOps提供：具有强大的ML管道的可重复培训，它将训练PyTorch模型所涉及的所有步骤缝合在一起，从数据准备到特征提取，到超参数调整，再到模型评估。使用数据集和模型注册表进行资产跟踪，以便您知道谁在发布PyTorch模型，为什么要进行更改，以及何时在生产中部署或使用PyTorch模型。从云端到边缘的任何地方打包、分析、验证和部署PyTorch模型。以企业级的方式监控和管理Pythorch模型，并提供对业务有影响的问题（如数据漂移）的事件和通知。 Pythorch训练模型使用MLOps，数据科学家像往常一样编写和更新代码，并定期将其推送到GitHub存储库。这将触发一个azuredevops构建管道，该管道执行代码质量检查、数据健全性测试、单元测试、构建Azure机器学习管道，并将其发布到您的Azure机器学习工作区。Azure机器学习管道执行以下任务：训练模型任务在Azure机器学习计算上执行Pythorch训练脚本。它输出一个模型文件，该文件存储在运行历史中。评估模型任务评估新训练的Pythorch模型在生产中的性能。如果新模型的性能优于生产模型，则执行以下步骤。如果没有，它们将被跳过。注册模型任务采用改进的PyTorch模型，并将其注册到Azure机器学习模型注册表中。这允许我们对它进行版本控制。您可以在这个PyTorch MLOps示例中找到用于训练PyTorch模型、执行超参数扫描和注册模型的示例代码。部署Pythorch模型DevOps的机器学习扩展帮助您将Azure机器学习任务集成到Azure DevOps项目中，以简化和自动化模型部署。一旦一个新模型注册到你的Azure机器学习工作区中，你就可以触发一个发布管道来自动化你的部署过程。然后，模型可以自动打包并部署为跨测试和生产环境（如Azure容器实例和azurekubernetes服务（AKS））的web服务。您甚至可以启用封闭发布，这样，一旦模型成功部署到登台或质量保证（QA）环境中，就会向审批者发送通知，以审核并批准发布到生产环境中。您可以在PyTorch ML Ops示例中看到这个示例代码。下一步行动我们很高兴能在Azure中支持最新版本的PyTorch。有了Azure机器学习和它的MLOps功能，您可以在企业中使用PyTorch，使其具有可复制的模型生命周期。查看MLOps示例存储库，了解如何为PyTorch模型启用CI/CD工作流的端到端示例。