समाचारं

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

नवीन बुद्धि प्रतिवेदन

सम्पादकः किआओ यांग

[नव प्रज्ञायाः परिचयः] ।अद्यैव PyTorch-दलेन प्रथमवारं विकासमार्गचित्रस्य घोषणा कृता, यत् प्रत्यक्षतया आन्तरिक-तकनीकी-दस्तावेजेभ्यः परिवर्तितम्, येन अस्य क्लासिक-मुक्त-स्रोत-पुस्तकालयस्य अग्रिम-विकास-दिशा प्रकाशिता

यदि भवान् AI क्षेत्रे Python मध्ये विकासं करोति तर्हि PyTorch भवतः पुरातनमित्रेषु अन्यतमः भवितुमर्हति । २०१७ तमे वर्षे मेटा एआइ इत्यनेन यन्त्रशिक्षणस्य गहनशिक्षणस्य च क्षेत्रे एतत् मुक्तस्रोतपुस्तकालयं विमोचितम्, यत् अधुना सप्तमवर्षे अस्ति ।

Assembly AI इत्यस्य २०२१ तमस्य वर्षस्य आँकडानुसारं HuggingFace इत्यत्र शीर्ष ३० लोकप्रियाः मॉडल् सर्वे PyTorch इत्यत्र चालयितुं शक्नुवन्ति, तथा च ९२% मॉडल् PyTorch इत्यस्य स्वामित्वं धारयति एतत् अनुपातं TensorFlow सहितं बहवः प्रतियोगिनः अप्राप्यम् अकुर्वन्

अधुना एव १० जुलै दिनाङ्के PyTorch इत्यस्य अभियांत्रिकीदलेन प्रथमवारं सार्वजनिकरूपेण स्वस्य मार्गचित्रदस्तावेजं प्रकाशितम्, यत् २०२४ तमस्य वर्षस्य उत्तरार्धे विकासस्य दिशां निर्धारितवती ।

मेटा-संस्थायाः सहसंस्थापकः, पायटोर्च्-दलस्य नेतृत्वं च कुर्वन् सौमिथचिन्तला इत्यनेन आधिकारिकतया ट्विट्टर्-माध्यमेन एतस्य वार्तायाः घोषणा कृता ।

सः अवदत् यत् अभियंतानां शोधप्रेरणानि लक्ष्याणि च सार्वजनिकानि कर्तुं आशास्ति।

"यद्यपि सर्वः PyTorch विकासः GitHub इत्यत्र सार्वजनिकः अस्ति, तथापि विभिन्नेषु PyTorch सम्बद्धेषु दलैः लिखिताः वास्तविकाः योजनाः, मार्गचित्रदस्तावेजाः च सार्वजनिकाः न सन्ति, अतः पारदर्शिता वर्धयितुं परिवर्तनं कर्तुं वयं निश्चयं कृतवन्तः।

PyTorch दलस्य तकनीकी परियोजना प्रबन्धकः Gott Brath अपि मञ्चे एतादृशं वक्तव्यं दत्तवान् ।

वयं चिन्तयामः यत् PyTorch इत्यत्र दलं यत् कार्यं करोति तस्य मार्गचित्रं कथं साझां कर्तव्यम् इति। वयं द्विवार्षिकरूपेण योजनां कुर्मः, अतः एते अस्माकं 2024 H2 OSS योजनानां केचन सार्वजनिकसंस्करणाः PyTorch मध्ये अनेकानाम् प्रमुखक्षेत्राणां कृते सन्ति ।

एताः सञ्चिकाः मूलतः PyTorch दलस्य आन्तरिकदस्तावेजाः कार्ययोजनाः च सन्ति, ततः परं ताः रोडमैपरूपेण प्रकाशिताः, यस्मिन् PyTorch इत्यस्य निम्नलिखितपक्षाः सन्ति ।

- मूलपुस्तकालयाः मूलप्रदर्शनं च

- वितरित

- मशाल、Torchrec、TorchVision

- पायटॉर्च एज

- आँकडा लोडिंग् (DataLoading) .

- संकलक कोर तथा परिनियोजन

- विकासक आधारभूतसंरचना

प्रत्येकं दस्तावेजे न्यूनातिन्यूनं त्रयः भागाः सन्ति, ये ओकेआर विचाराणाम् आधारेण सन्ति:

- पृष्ठभूमि

- शीर्ष 5 केन्द्रीकरणक्षेत्राणि लक्ष्याणि च: लक्ष्याणि, प्रमुखपरिणामाः, ज्ञाताः अथवा अज्ञाताः जोखिमाः तथा तदनुरूपाः शमनपरिहाराः (अधिकतमं एकं पृष्ठं)

- अभियांत्रिकी स्तरं सुधारयितुम् शीर्ष 3~5 पक्षाः: बीई स्तम्भवर्गीकरणम्, लक्ष्याणि, सूचकाः/स्थितिः/विशिष्टलक्ष्याणि, ज्ञातानि वा अज्ञातानि जोखिमानि तथा च शमनस्य उपायाः, प्रभावः/लाभः, प्राथमिकता/विश्वासस्तरः (अधिकतमं एकं पृष्ठम्)

तेषु बीई स्तम्भं मेटा द्वारा विकासदलाय लिखितानि "पञ्च मैक्सिम्स्" इति गणयितुं शक्यते विशिष्टा सामग्रीः अस्ति :

बेटर कोड, बेटर डॉक, सशक्तीकरण दल, आधुनिक कोड, बेटर आर्किटेक्चर

अहं न जानामि यत् “अधिकतमं एकं पृष्ठं” इति नियमस्य कारणेन कश्चन विकासकः दस्तावेजानां दीर्घतायाः समस्यां कृतवान् वा सर्वथा दीर्घदस्तावेजानां अपेक्षया दस्तावेजाः महत्तराः भवन्ति लेखकस्य कौशलस्य अपि परीक्षणं करोति .

तदतिरिक्तं मेटा विकासदलस्य केचन उत्तमाः विचाराः दस्तावेजे अपि द्रष्टुं शक्यन्ते, यथा विभिन्नमॉड्यूलदलानां सहकार्यं कर्तुं, एपिआइ-एकीकरणे बाह्यभागिना सह संयुक्तविकासे च बलं दत्तं, मुक्तस्रोतसमुदायेन विकासकैः च सह अन्तरक्रियायां बलं दत्तं च

ExecuTorch इव नूतनं कोड आधारं प्रारम्भं कुर्वन्, अथवा PyTorch संकलकस्य प्रभावं वर्धयितुम् इच्छन्, दलं सामान्यतया द्वयोः पक्षयोः आरभते: एकं कार्यक्षमतां सुधारयितुम् पूर्णप्रयत्नाः कर्तुं तथा च प्रत्यक्षतया SOTA लक्ष्यं कर्तुं, अन्यतरे deeply integrate अधिकाधिक-बहिः-पेटी-उपयोग-प्रकरणैः सह आरभत ।

सम्भवतः एतानि एव वर्षेषु मुक्तस्रोतक्षेत्रे मेटा-संस्थायाः सफलतायाः कुञ्जिकाः सन्ति ।

प्रत्येकस्य दस्तावेजस्य विषयवस्तुनः आंशिकः अंशः सारांशः च निम्नलिखितम् अस्ति ।

मूल पता: https://dev-discuss.pytorch.org/t/meta-pytorch-team-2024-h2-roadmaps/2226

कोर पुस्तकालयाः कोर प्रदर्शनं च

दस्तावेजे सम्बद्धाः मूलपुस्तकालयाः TendorDict, torchao, NN, TorchRL इत्यादयः सन्ति ।

प्रदर्शनस्य दृष्ट्या, PyTorch दलेन मॉडलप्रशिक्षणे अनुमाने च SOTA प्रदर्शनं प्राप्तुं लक्ष्यं प्रस्तावितं अस्ति उपायेषु सम्पूर्णेन PyTorch प्रौद्योगिकी ढेरेन सह संयोजनं निर्मातुं आर्किटेक्चर अनुकूलनप्रौद्योगिकी तथा उच्चप्रदर्शनकर्नेल् च परिचयः अन्तर्भवति

विगतवर्षे GenAI इत्यस्य तीव्रविकासस्य साक्षी अभवत् यत् शोधक्षेत्रे विकासस्य समर्थनार्थं बहवः बाह्यपुस्तकालयाः उद्भूताः, परन्तु तेषु बहवः प्रत्यक्षतया PyTorch इत्यस्य उपरि न अवलम्बन्ते, येन वैज्ञानिकसंशोधनक्षेत्रे PyTorch इत्यस्य वर्चस्वं खतरा भविष्यति

पुनः गतिं पालयितुम्, PyTorch सामान्यविकासप्रौद्योगिकीनां समर्थनं प्रदास्यति यथा क्वाण्टाइजेशन, स्पर्सिफिकेशन, MoE, तथा च न्यून-सटीकताप्रशिक्षणं, यत्र विभिन्नानां Transformer आर्किटेक्चरानाम् मॉडल्-सहायार्थं बिल्डिंग् ब्लॉक्स् तथा एपिआइ (मुख्यतया torchao मध्ये एकीकृताः) च सन्ति कार्यप्रदर्शने सुधारं करोति।

torchao पुस्तकालयः PyTorch-रूपरेखायाः अन्तः उच्च-प्रदर्शन-dtype, लेआउट्, अनुकूलन-तकनीकानां अनुकूलनार्थं शोधकर्तृणां समर्थनं कर्तुं शक्नोति, उपयोगस्य व्याप्तिम् प्रशिक्षणं, अनुमानं, ट्यूनिंग् इत्यादिषु विविधपरिदृश्येषु विस्तारयति

तदतिरिक्तं कोरपुस्तकालयस्य अद्यतनीकरणे निम्नलिखितम् अन्तर्भवति:

- प्रारब्धस्य स्वचालित-अनुकूलन-पुस्तकालयस्य torchao-इत्यनेन सफलतां प्राप्ता अस्ति अग्रिमः कदमः तस्य कोड-सङ्गठनं सुधारयितुम् अस्ति तथा च कोर-पुस्तकालयात् संख्यात्मक-सञ्चालनानि पृथक् कर्तुं।

- TendorDict इत्यस्य मूलमॉड्यूलरतां सम्बोधयति, भारस्य/भण्डारस्य क्रमाङ्कनं समर्थयति, उत्सुकविधाने 2x द्रुततरं चालयति च

- वर्षस्य प्रथमार्धे मेमोरी मैप्ड् लोड् इत्यस्य सफलतां निरन्तरं कुर्वन्, मॉडल् लोडिंग्/स्टोरेज् इत्यस्य कार्यक्षमतां सुरक्षां च निरन्तरं सुधारयितुम्

- TorchRL ओवरहेड् 50% न्यूनीकरोतु

- NoGIL कृते कोर समर्थनं योजितम्

- उपयोक्तृभिः प्रतिवेदितः TORCH_env चरः कार्यं न करोति इति समस्या निवारिता

दस्तावेजे nn.transformer मॉड्यूलस्य अवहेलनायाः अपि उल्लेखः अस्ति, यत् Transformer इत्यस्य निर्माणार्थं torch.compile, sdpa, NJT, FlexAttention, custom_op, torchao इत्यादीनां मॉड्यूलानां उपयोगः कथं करणीयः इति दर्शयितुं ट्यूटोरियल्-उपयोग-प्रकरणानाम् एकः श्रृङ्खला विमोचिता भविष्यति

वितरित

एलएलएम पूर्व-प्रशिक्षणं प्रायः दर्जनशः वा सहस्राणि वा जीपीयू-मध्ये व्याप्तं भवति, तथा च यथा यथा मॉडलस्य पैरामीटर्-स्केलः क्रमेण वर्धते तथा तथा एकस्मिन् जीपीयू-मध्ये अनुमानं सूक्ष्म-ट्यूनिङ्गं च पूर्णं कर्तुं कठिनं भवति

अतः, PyTorch इत्यस्य अग्रिमः "वितरितः" विन्यासः प्रशिक्षणस्य, अनुमानस्य, सूक्ष्म-समायोजनस्य च त्रयः कडिः व्यापकरूपेण आच्छादयति, तथा च अति-बृहत्-परिमाणेन वितरित-प्रशिक्षणं, उच्च-स्मृति-कुशलं सूक्ष्म-समायोजनं, बहु-मेजबान-वितरित-तर्कं च प्राप्तुं प्रस्तावयति .

रेलयानम्‌

PyTorch द्वारा मूलतः समर्थितानां समानान्तरगुणानां मुख्यतया निम्नलिखितम् अन्तर्भवति ।

- पूर्णसाझाकृतदत्तांश समानान्तर (FSDP) .

-हाइब्रिड शार्डिंग डाटा समानांतर (HSDP)

-टेन्सर समानान्तर (TP) 1 .

- पाइपलाइन समानान्तर (PP) 1 .

- अनुक्रम समानान्तर (SP) 1 .

-सन्दर्भ समानान्तर (सी.पी.) २.

PyTorch आशास्ति यत् TorchTitan इत्यस्मिन् विविधसमान्तरविधिषु अधिकं मॉड्यूलरीकरणं करिष्यति, येन विकासकाः आवश्यकतानुसारं स्वतन्त्रतया संयोजनं कृत्वा N-आयामी समानान्तरतां प्राप्तुं शक्नुवन्ति

दस्तावेजे विशेषतया द्वयोः उदयमानयोः आर्किटेक्चरयोः समर्थनं योजयितुं आवश्यकतायाः उल्लेखः अस्ति, MoE तथा बहु-मोडालिटी, यथा विशेषज्ञसमान्तरता तथा मार्गनिर्धारण-एल्गोरिदम्-अनुकूलनम्

TorchTitan इत्यस्य एव अद्यतनस्य अतिरिक्तं, वितरितदलस्य अपि बृहत्-परिमाणेन वितरित-परिदृश्येषु अतिरिक्त-प्रदर्शन-सुधारं आनेतुं torch.compile मॉड्यूलेन सह उत्तमरीत्या एकीकृत्य संकलक-दलेन सह अधिकं निकटतया कार्यं कर्तुं आवश्यकता वर्तते

सूक्ष्म-समायोजनं अनुमानं च

फाइन-ट्यूनिंग्: torchtune इत्यनेन सह संयुक्तं, FSDP2 LoRA/QLoRA समाधानं उपयोगे स्थापयति, तथा च मॉडल् स्टेट् शब्दकोशस्य NF4 क्वाण्टाइजेशनस्य समर्थनं करोति

तर्कः : PP तथा DP वितरित APIs इत्यस्य मूलं जातम् अस्ति, अस्माकं torchtitan इत्यस्य वितरित तर्कस्य विषये ध्यानं दातव्यं, यत् बृहत् मॉडल PP + asynchronous TP पद्धतीनां समर्थनं करोति।

दस्तावेजे इदमपि उल्लेखितम् अस्ति यत् HuggingFace इत्यस्य अनुमान एपिआइ PiPPy तः PyTorch (HggingFace द्वारा सम्पन्नम्) प्रति प्रवासितं भविष्यति ।

torchtune、TorchRec、TorchVision

मशालः

torchtune इत्यस्य प्रक्षेपणस्य उद्देश्यं उपयोक्तृभ्यः LLM इत्यस्य सूक्ष्मतया ट्यूनिङ्ग् कर्तुं सहायतां कर्तुं वर्तते ।

torchtune इत्यनेन परिभाषितस्य "सूक्ष्म-समायोजनस्य" अतीव विस्तृतः परिधिः अस्ति, यस्य सारांशः त्रयः प्रकाराः परिदृश्याः कर्तुं शक्यन्ते ।

- डोमेन-विशिष्टदत्तांशसमूहेषु अथवा अधःप्रवाहकार्येषु आदर्शरूपान्तरणं

- पुरस्कारं प्राधान्यं च प्रतिरूपणं, यथा आरएलएचएफ, डीपीओ इत्यादयः।

- आसवनं क्वाण्टीकरणं च सहितं प्रशिक्षणप्रक्रिया

वर्षस्य उत्तरार्धे अद्यतनं एजेण्ट् कार्यप्रवाहस्य कृते सूक्ष्म-समायोजनस्य समर्थनं करिष्यति, यदा तु सूक्ष्म-समायोजन-प्रदर्शने सुधारं प्रति केन्द्रितः भविष्यति ।

दलं संकलन, कोर, वितरित इत्यादिमॉड्यूलैः सह सहकार्यं करिष्यति यत् कुशलं सूक्ष्म-समायोजनं प्रदास्यति तथा च PyTorch पारिस्थितिकीतन्त्रस्य अन्तः प्रतिनिधि-सूक्ष्म-समायोजन-प्रदर्शन-मापदण्डान् स्थापयति।

यतः torchtune अपि नूतनतरं मुक्तस्रोतपुस्तकालयम् अस्ति, मुक्तस्रोतसमुदायेन सह अन्तरक्रिया अपि अत्यावश्यकी अस्ति ।

दस्तावेजे उपयोक्तृसमझं सुदृढं कर्तुं ब्लॉगलेखाः पाठ्यक्रमाः च प्रकाशयितुं, तकनीकीव्याख्यानानि इत्यादीनां आयोजनस्य प्रस्तावः अस्ति;

मुक्तस्रोतसमुदायस्य अतिरिक्तं, torchune न्यूनातिन्यूनम् एकेन सहभागिना सह एकीकृत्य torchune इत्यस्य उपयोगं प्रवर्तयितुं स्वसमुदाये भागं गृह्णीयात् ।

मशालदृष्टिः

CV क्षेत्रे निरपेक्षप्रबलः खिलाडी इति नाम्ना TorchVision इत्यस्य प्रौद्योगिकी तुल्यकालिकरूपेण परिपक्वा अस्ति, अतः मार्गचित्रे अत्यल्पानि अद्यतनानि प्रस्तावितानि सन्ति ।

दलं पूर्व-प्रक्रियाकरणस्य दिशि कार्यं निरन्तरं करिष्यति, चित्रसङ्केतन/डिकोडिंग्-स्थाने अधिक-स्वरूपाणां (यथा WebP, HEIC) तथा च मञ्चानां (यथा CUDA) समर्थनं करिष्यति, तथा च jpeg प्रारूपस्य एन्कोडिंग्/डिकोडिंग्-प्रदर्शने सुधारं करिष्यति GPU.

TorchRec

TorchRec इत्यस्य उद्देश्यं बृहत्-परिमाणस्य अनुशंस-प्रणालीषु सामान्यतया प्रयुक्तानि विरलता-समान्तरता-आदिमानि प्रदातुं वर्तते प्रथमं स्थिरं संस्करणं TorchRec 1.0 इति पतने प्रक्षेपणं भविष्यति ।

धारा

सम्प्रति, मुक्तस्रोतपुस्तकालयेन ExecuTorch इत्यनेन Alpha संस्करणं प्रारब्धम्, यत् मुख्यतया torch.compile तथा torch.export इत्येतयोः उपरि निर्भरं भवति यत् मोबाईलयन्त्रेषु तथा एजयन्त्रेषु (यथा AR/VR, धारणीययन्त्रेषु) मॉडलविश्लेषणं, त्रुटिनिवारणं, अनुमानं च समर्थयति

वर्षस्य उत्तरार्धे Edge दलं xecuTorch इत्यस्य Beta संस्करणं प्रारम्भं करिष्यति तथा च Meta इत्यस्य Llama श्रृङ्खला मॉडल् अन्येषां च मुक्तस्रोत मॉडल् इत्यस्य कृते PyTorch इकोसिस्टम् इत्यस्य अन्तः समाधानं प्रदास्यति

मुख्य उद्देश्यं मुख्यतया द्वौ दिशां आच्छादयति। प्रथमं उपकरणे AI कृते मूलभूतकार्यं विश्वसनीयं च आधारभूतसंरचनं प्रदातुं भवति, यत्र सन्ति:

- C++ तथा Python कृते API स्थिरतां सुनिश्चितं कुर्वन्तु

- मूलकार्यस्य एकां श्रृङ्खलां कार्यान्वितं कुर्वन्तु: समर्थनं मॉडलसंपीडनं, प्रॉक्सी-सञ्चयस्थानप्रबन्धनं, आँकडानां तथा कार्यक्रमपृथक्करणं च

द्वितीयं तु अस्य नवजातस्य कोड आधारस्य रक्षणं, मुक्तस्रोतसमुदायस्य अन्तः प्रभावस्य संवर्धनं, आर्म, एप्पल्, क्वालकॉम् इत्यादिभिः कम्पनीभिः सह उत्तमसहकारसम्बन्धं च निर्वाहयितुम्

समुदायप्रभावस्य लक्ष्यं परिमाणं अपि कृतम् अस्ति, यत् कोडस्य GitHub इत्यत्र 3k ताराणि प्राप्तुं 500 वारं क्लोन् (fork) भवितुं च आवश्यकम् अस्ति । इच्छुकाः पाठकाः निरन्तरं ध्यानं दत्त्वा द्रष्टुं शक्नुवन्ति यत् वर्षस्य अन्ते यावत् दलं एतत् ओकेआर पूर्णं कर्तुं शक्नोति वा इति।

डाटा लोडिंग्

अपाचे एरो प्रारूपे आधारितं HuggingFace datasets पुस्तकालयं स्मृतिसीमानां विना उच्चगतिभारयुक्तेन/भण्डारणेन सह अन्तिमेषु वर्षेषु अचानकं उद्भूतम् अस्ति, तथा च PyTorch-सम्बद्धानां कार्याणां लाइमलाइटं चोरितवती इति भासते

आँकडाभारविषये दस्तावेजः TorchData पुस्तकालयं पुनः महान् कर्तुं महत्त्वाकांक्षया आरभ्यते तथा च आँकडाभारणे PyTorch इत्यस्य वर्चस्वं पुनः स्थापयितुं शक्नोति ।

एतत् लक्ष्यं प्राप्तुं प्रासंगिककार्यं लचीलं, स्केल-योग्यं, उच्च-प्रदर्शनं, स्मृति-कुशलं च करणीयम्, तथैव मूर्ख-सदृशं संचालनं प्राप्तुं तथा च विभिन्न-स्केल-बहुविध-प्रशिक्षणस्य समर्थनं करणीयम्

विशिष्टेषु अद्यतनलक्ष्येषु निम्नलिखितपक्षः अन्तर्भवति ।

- DataLoader इत्यस्य कार्यात्मकविकासः अन्तरफलकं च प्रथमं GitHub इत्यस्य सिद्धान्तं कार्यान्वितं करिष्यति, तथा च DataPipes तथा DataLoader v2 क्रमेण अप्रचलिताः विलोपिताः च भविष्यन्ति ।

- TorchTune, TorchTitan, HuggingFace, TorchData इत्येतयोः मध्ये स्पष्टसीमाः, उत्तमं अन्तरक्रियाशीलतां च सुनिश्चितं कुर्वन्तु, बहु-आँकडा-समूहानां बहु-मोडल-आँकडा-भारस्य च समर्थनं कुर्वन्तु

- HuggingFace संगततां सुनिश्चित्य नमूनानां परीक्षणप्रकरणानाञ्च समये अद्यतनीकरणाय StatefulDataLoader इत्यस्य API इत्यस्य उपयोगं करोति ।

संकलक कोर तथा परिनियोजन

PyTorch इत्यस्य संकलकस्य मूलकार्यं वर्षाणां विकासस्य अनन्तरं अधिकाधिकं परिपूर्णं जातम् अस्ति यत् इदानीं कृते यत् पूरयितुं आवश्यकं तत् LLM तथा GenAI इत्येतयोः क्षेत्रेषु गहनं एकीकरणं अधिकं अनुकूलनसमर्थनं च ।

रोडमैप् LLM तथा GenAI इत्येतयोः उपयोगचक्रस्य सर्वेषु पक्षेषु (अनुमानं, सूक्ष्म-ट्यूनिङ्ग्, पूर्व-प्रशिक्षणं) torch.compile() फंक्शन् आनेतुं प्रस्तावति, येन महत्त्वपूर्णाः मॉडल् विमोचनसमये देशी PyTorch इत्यनेन सह संकलितुं शक्यन्ते

एतत् लक्ष्यं प्राप्तुं दस्तावेजे अनेके विशिष्टाः उपायाः प्रस्ताविताः सन्ति, यथा संकलनप्रदर्शने सुधारं कर्तुं torchtune तथा TorchTitan दलेन सह कार्यं करणं, वर्षस्य उत्तरार्धे न्यूनातिन्यूनं द्वयोः उच्च-प्रोफाइल-माडलयोः देशी-PyTorch संकलितसंस्करणं विमोचयितुं च

तदतिरिक्तं, संकलकः अ-उत्सुकप्रशिक्षणविधाने अग्रे गणना/पृष्ठप्रसारप्रक्रियाम् अभिव्यञ्जयन्तः आदर्शलेखान् जनयितुं दृश्यीकरणक्षमतां योजयितुं शक्नोति

उपयोक्तृसमर्थनार्थं अपि बहवः योजनाः सन्ति, यथा प्रणाल्याः निरीक्षणं अवलोकनीयतां च सुधारयितुम्, उपयोक्तृभ्यः स्वयमेव संकलनसमस्यानां निवारणे सहायतां कर्तुं च मुख्यलक्ष्येषु GitHub इत्यादिषु मञ्चेषु विकासकैः अनेकेषु प्रमुखक्षेत्रेषु (दत्तांशवर्गाः, सन्दर्भप्रबन्धनम् इत्यादिषु) उत्थापितानां विषयाणां सम्बोधनाय उपयोक्तृसमर्थनदलस्य स्थापना अपि अन्तर्भवति

सन्दर्भाः : १.

https://dev-discuss.pytorch.org/t/meta-pytorch-team-2024-h2-रोडमैप्स/2226

https://x.com/soumithchintala/status/1811060935211049046

https://www.assemblyai.com/blog/पायटॉर्च-बनाम-टेन्सर-प्रवाह-2023/