他指出，当今的人工智能模型正在从服务器扩展到边缘设备，例如移动、AR、VR和AR耳机、可穿戴设备、嵌入式系统和微控制器。
ExecuTorch通过提供PyTorch模型的端到端工作流程来交付优化的本机程序，解决了受限边缘设备的挑战。
Nachin解释说，ExecuTorch从标准PyTorch模块开始，但将其转换为exporter graph，然后通过进一步转换和编译来优化它以针对特定设备。
ExecuTorch的一个主要优势是可移植性，能够在移动和嵌入式设备上运行。
Nachin指出，ExecuTorch还可以通过跨不同目标使用一致的API和软件开发套件来帮助提高开发人员的工作效率。
Nachin表示，随着该技术现已作为PyTorch基金会的一部分开源，我们的目标是帮助行业协作解决将人工智能模型部署到各种边缘设备时的碎片化问题。
Meta相信ExecuTorch可以通过其优化且可移植的工作流程帮助更多组织利用设备上的人工智能。
在PyTorch大会的主题演讲中，Meta软件工程师Mergen Nachin详细介绍了新的ExecuTorch技术的全部内容及其重要性。
作为开源的PyTorch项目的一部分，ExecuTorch的目标是进一步推动这项技术，让世界迎来在移动设备上进行AI推理的新时代。
NumPy代码编译为C /CUDA，提速35倍！
Quansight工程师在PyTorch 2.1中通过torch.compile实现了对NumPy代码跟踪的支持。
此功能利用PyTorch的编译器生成高效的融合矢量化代码，而无需修改原始NumPy代码。
它还允许通过torch.device("cuda")下的torch.compile运行来在CUDA上执行 NumPy代码。
那么，这项更新具体有多高效呢？在X（Twitter）上业界大佬Sebastian进行了测试：
他在观看Pytorch会议主题演讲之后，尝试了一下NumPy的torch.compile。
在MacBook上使用PyTorch编译NumPy代码时都能获得了大约35倍的加速，更别提对scikit-learn的影响了！
网友Anirudh Tulasi感叹道：哇，这些基准测试结果令人印象深刻！torch.compile在MacBook上如此显著地提高NumPy代码性能，真是令人震惊。这对scikit-learn等库的影响可能是革命性的。渴望看到更多的应用！
