PyTorch 1.6 稳定版已发布，此版本增加了许多新的 API、用于性能改进和性能分析的工具、以及对基于分布式数据并行(Distributed Data Parallel, DDP)和基于远程过程调用(Remote Procedure Call, RPC)的分布式训练的重大更新。部分更新亮点包括：
- 原生支持自动混合精度训练(automatic mixed-precision training)，并已进入稳定阶段
- 为 tensor-aware 增加对 TensorPipe 的原生支持
- 在前端 API 增加了对 complex tensor 的支持
- 新的分析工具提供了张量级的内存消耗信息
- 针对分布式数据并行训练和远程过程调用的多项改进和新功能
此外，从该版本起，新功能的状态将分为三种，分别是稳定、Beta 和原型。原型功能即为新功能提案，团队如果能从用户获取对此的良好反馈，那么原型功能就会进入 Beta 阶段，否则就停止开发。另外，原型功能不包含在二进制发行版中，而是通过从 Nightly 版本源代码构建或通过 compiler flag 使用。详情查看此博客。
原生支持自动混合精度训练
由 Nvidia 贡献的自动混合精度训练功能已经进入稳定阶段，AMP 训练能在 Tensor Core GPU 上实现更高的性能并节省多达 50％ 的内存。
AMP API 提供方便使用混合精度的方法。官方提到，在像线性层(Linear Layer)或是卷积操作上，float16 运算较快，但像 Reduction 运算又需要 float32 的动态范围，而现在有了 AMP 功能，便可以在部分运算操作使用 float16，另一部分则使用 float32，混合精度功能会尝试为每个运算使用相匹配的数据类型。
改进分布式训练
PyTorch 支持两种强大的范式：用于对模型进行完全同步数据并行训练的 DDP 和支持分布式模型并行的 RPC 框架。过去这两个功能独立运行，用户无法混合和匹配它们来尝试混合并行范式。
从 PyTorch 1.6 开始，DDP 和 RPC 可以无缝协作，用户可以结合这两种技术来实现数据并行和模型并行。官方举了一个例子，用户希望将大型嵌入表放置在参数服务器上，并使用 RPC 框架嵌入查找，但希望将较小的密集参数存储在训练器上，并使用 DDP 来同步密集参数，下面是示例代码：
// On each trainer
remote_emb = create_emb(on="ps", ...)
ddp_model = DDP(dense_model)
for data in batch:
with torch.distributed.autograd.context():
res = remote_emb(data)
loss = ddp_model(res)
torch.distributed.autograd.backward([loss])
PyTorch 1.6 带来了对 complex tensor 的 Beta 支持，包含 torch.complex64 和 torch.complex128 dtypes 两种类型。Beta 阶段支持通用的 PyTorch 和 complex tensor，以及 Torchaudio、ESPnet 等所需的功能。
>>>
x = torch.randn(
2
,
2
, dtype=torch.cfloat)
>>>
x
tensor([[-
0.4621
-
0.0303j
, -
0.2438
-
0.5874j
],
[
0.7706
+
0.1421j
,
1.2110
+
0.1918j
]])