Pytorch 0.3.0 发布：新增张量函数，支持模型移植

根据官方文档的介绍，此次增加了多个函数和功能，多方面的性能均实现提升。

重大变更

0.3 版本中删掉了 Variable.reinforce() 等随机函数，因为它们的功能有限，并且会影响到性能。设置随机函数的初衷是为了避免采样值的 book-keeping，在实际中，由于各种各样的原因，用户的代码中仍然会包括 book-keeping。他们引入了 torch.distributions 包来代替随机函数。

之前的代码如下：

probs = policy_network(state)
action = probs.multinomial()
next_state, reward = env.step(action)
action.reinforce(reward)
action.backward()

现在的代码如下：

probs = policy_network(state)
# NOTE: categorical is equivalent to what used to be called multinomial
m = torch.distributions.Categorical(probs)
action = m.sample()
next_state, reward = env.step(action)
loss = -m.log_prob(action) * reward
loss.backward()

新的功能

1、目前，有些损失函数能直接计算 mini-batch 中每个 sample 的损失值。

2、构建了一个 in-built Profiler，能对模型进行瓶颈分析，这个 Profiler 同时支持 CPU 和 CUDA 模型。

更多信息可以参见 http://pytorch.org/docs/0.3.0/autograd.html#profiler

3、增加 Higher order gradients 模块，支持如下层：

• ConvTranspose, AvgPool1d, AvgPool2d, LPPool2d, AvgPool3d, MaxPool1d, MaxPool2d, AdaptiveMaxPool, AdaptiveAvgPool, FractionalMaxPool2d, MaxUnpool1d, MaxUnpool2d, nn.Upsample, ReplicationPad2d, ReplicationPad3d, ReflectionPad2d
• PReLU, HardTanh, L1Loss, SoftSign, ELU, RReLU, Hardshrink, Softplus, SoftShrink, LogSigmoid, Softmin, GLU
• MSELoss, SmoothL1Loss, KLDivLoss, HingeEmbeddingLoss, SoftMarginLoss, MarginRankingLoss, CrossEntropyLoss
• DataParallel

4、优化器

• optim.SparseAdam：能实现适用于稀疏张量的简单亚当算法
• 优化器中增加了 add_param_group 函数，能在构建好的优化器中增加新的参数组。

除此之外，还增加了新的张量函数和功能，在新版本中，能通过 ONNX 将模型迁移到其他框架上。另外，在加速方面，重写 gpu kernel 之后，softmax 和 log_softmax 的速度能实现 4-256 倍的提升；在分布式 AllReduce 中，能实现 2.5-3 倍的性能提升；torch.norm 函数的 backward 能实现 1.5 倍的加速；pack_padded_sequence 的性能也有提升。