PyTorch¶
Koneoppimiskehys Pythonille.
Uutiset
1.9.2026 PyTorch on nyt saatavilla Roihu-CPU:ssa, sekä versiot 2.10 että 2.13 (samat kuin Roihu-GPU:ssa). Tämä versio ei luonnollisesti tue GPU-kiihdytystä.
31.8.2026 PyTorch 2.13 asennettu Roihu-GPU:hun, ja se on nyt oletusversio.
7.4.2026 PyTorch on nyt saatavilla Roihu-GPU:ssa, moduulin nimi on
muutettu muotoon python-pytorch.
Vanhemmat uutiset (avaa napsauttamalla)
23.1.2026 LUMI-palvelukatkon 21.1.2026 jälkeen CSC:n PyTorch- asennukset eivät enää toimi nopean Slingshot-verkon kanssa uusien ajureiden binaariyhteensopimattomuuksien vuoksi. Tämä tarkoittaa, että monisolmuajot ovat odotettavasti 10–20 % hitaampia kuin aiemmin. Katso lisätietoja alla olevista LUMI-asennushuomioista.
9.1.2026 PyTorch 2.9.1 asennettu Puhtiin ja Mahtiin, ja siitä tehtiin oletusversio. Apex poistettiin, koska kirjasto on ollut poistumassa käytöstä jo pitkään. Myöskään SGLang ei sisälly tähän versioon yhteensopimattomuuksien vuoksi niiden kirjastojen kanssa, joita vLLM tarvitsee. Lisätty litgpt, ultralytics, sahi ja torchgeo.
Uusia PyTorch-versioita LUMIin valmistelee uusi LUMI AI Factory, ja niiden odotetaan julkaistavan alkukevään aikana.
8.7.2025 PyTorch 2.7.1 asennettu Puhtiin ja Mahtiin, ja siitä tehtiin oletusversio. Tämä versio sisältää SGLangin, huomaa kuitenkin, että SGLang tukee vain Mahtia Puhtin vanhemman GPU-arkkitehtuurin vuoksi.
26.6.2025 PyTorch 2.7.1 asennettu LUMIin, ja siitä tehtiin oletusversio.
10.4.2025 PyTorch 2.6.0 asennettu Puhtiin ja Mahtiin, ja siitä tehtiin oletusversio. Sisältää uusimmat versiot suosituista paketeista, kuten Hugging Face transformers, vLLM ja FAISS. PyTorch geometric ja siihen liittyvät paketit eivät enää sisälly asennukseen, koska ne eivät tue uudempia PyTorch-versioita.
20.1.2025 PyTorch 2.5.1 asetettu oletusversioksi kaikilla supertietokoneilla.
20.12.2024 PyTorch 2.5.1 ROCm 6.2:lla lisätty LUMIin. Sisältää kaikki tavalliset paketit sekä kokeellisen tuen FAISSille.
17.12.2024 PyTorch 2.5.1 lisätty Puhtiin ja Mahtiin. Sisältää vLLM:n ja FAISSin monien muiden päivitysten joukossa.
19.9.2024 PyTorch 2.4.1 ROCm 6.1:llä lisätty LUMIin. LUMIn PyTorch-moduuli sisältää nyt vLLM-version 0.5.5 lisäksi FlashAttention-2:n, bitsandbytesin ja monia muita usein pyydettyjä paketteja, jotka sisältyivät jo aiempiin asennuksiin. LUMI- moduuli käyttää edelleen vanhan tyylin wrappereita (ei tykky- pohjaisia wrappereita kuten Puhtissa ja Mahdissa).
21.8.2024 PyTorch 2.4 lisätty Puhtiin ja Mahtiin. LUMI- asennus viivästyy nykyisen palvelukatkon jälkeiseen aikaan. torchtext- paketti ei enää sisälly asennukseen, koska sen kehitys on lopetettu eikä se enää toimi PyTorch 2.4:n kanssa.
13.6.2024 PyTorch 2.3 lisätty Puhtiin ja Mahtiin. LUMI-
asennus viivästyy alkusyksyyn yhteensopimattoman ROCm-ajuriversion
vuoksi. Tässä versiossa on myös päivitetty tapa, jolla Python-
komennot wrapataan, koska tämä ratkaisee useita ongelmia
virtuaaliympäristöjen ja Jupyter Notebookien käytössä. Tämän vuoksi
apptainer- ja apptainer_wrapper-komennot eivät enää toimi, mutta
muuten muutoksen pitäisi olla käyttäjille näkymätön.
1.3.2024 PyTorch 2.2 lisätty Puhtiin, Mahtiin ja LUMIin. LUMI- moduuli sisältää ROCm-versiot FlashAttention-2:sta ja bitsandbytesista, koska käyttäjien on vaikea lisätä niitä itse. xFormers on lisätty kaikkiin kolmeen järjestelmään.
17.11.2023 PyTorch 2.1 lisätty Puhtiin, Mahtiin ja LUMIin. Horovod on poistettu, suosittelemme käyttämään sen sijaan PyTorch DDP:tä. PyTorch Geometric lisättiin Puhtin ja Mahdin versioon.
5.10.2022 Puhtin Red Hat Enterprise Linux 8:aan (RHEL8) tehdyn päivityksen vuoksi täysin tuettujen PyTorch-versioiden määrää on vähennetty. Aiemmin vanhentuneiksi merkityt conda-pohjaiset versiot on poistettu. Ota yhteyttä asiakastukeemme, jos todella tarvitset pääsyn vanhempiin versioihin.
5.5.2022 Mahdin Red Hat Enterprise Linux 8:aan (RHEL8) tehdyn päivityksen vuoksi täysin tuettujen PyTorch-versioiden määrä on vähentynyt. Ota yhteyttä asiakastukeemme, jos todella tarvitset pääsyn muihin versioihin.
4.2.2022 Kaikki vanhat PyTorch-versiot, jotka perustuivat suoriin Conda- asennuksiin, on merkitty vanhentuneiksi, ja kannustamme käyttäjiä siirtymään uudempiin versioihin. Lue lisää erilliseltä Condan poistumista koskevalta sivultamme.
Saatavilla¶
Tällä hetkellä tuetut PyTorch-versiot:
| Version | Module | Roihu-GPU | Roihu-CPU | Notes |
|---|---|---|---|---|
| 2.13.0 | python-pytorch/2.13 |
X | X | Default |
| 2.10.0 | python-pytorch/2.10 |
X | X |
Sisältää PyTorchin ja siihen liittyvät kirjastot GPU-tuella CUDA:n/ROCm:n kautta. Roihu-CPU:n versio ei luonnollisesti tue GPU:ita, mutta se on saataville kevyitä työkuormia varten sekä työkuormille, jotka tarvitsevat x86_64-suoritinarkkitehtuurin.
vLLM Roihussa
Roihussa olemme siirtäneet vLLM:n erilliseen moduuliin python-vllm.
vLLM-moduulilla on oma dokumentaatiosivunsa.
PyTorch LUMIlla
CSC ei enää tarjoa tätä moduulia LUMIlle, vaan suosittelemme käyttämään LUMI AI Factoryn tarjoamia kontteja sen sijaan.
Jos huomaat, että jokin paketti puuttuu, voit usein asentaa sen
itse komennolla pip install. On suositeltavaa käyttää Pythonin
virtuaaliympäristöjä. Katso Python-dokumentaatiostamme lisätietoja
siitä, miten paketteja voi asentaa itse olemassa oleviin
moduuleihin.
Jos mielestäsi jokin tärkeä paketti pitäisi sisällyttää CSC:n
tarjoamaan moduuliin, ota yhteyttä
asiakastukeemme.
Jos muutaman paketin lisääminen pip:llä ei riitä, voit myös rakentaa
omat konttisi, esimerkiksi laajentamalla CSC:n koneoppimiskontteja.
Kaikki moduulit perustuvat Apptaineria käyttäviin kontteihin (tunnettiin
aiemmin nimellä Singularity). Wrapper-skriptit on tarjottu, jotta yleiset
komennot kuten python, python3, pip ja pip3 toimisivat
normaalisti.
Uusille käyttäjille
Jos olet uusi koneoppimisen käyttäjä CSC:n supertietokoneilla, lue uusi opastuksemme Koneoppimisen käytön aloittaminen CSC:llä, jossa kerrotaan, miten yksinkertainen PyTorch-projekti ajetaan Roihussa selainkäyttöliittymän avulla.
Lisenssi¶
PyTorch on lisensoitu BSD-tyylisellä lisenssillä, kuten LICENSE- tiedostossa on kuvattu.
Käyttö¶
Jos haluat käyttää PyTorchin oletusversiota Roihu-GPU:ssa tai Roihu-CPU:ssa, alusta se komennolla:
Jos haluat käyttää tiettyä versiota (katso saatavilla olevat versiot yllä), käytä:
Huomaa, että Roihu-GPU-moduuli sisältää jo CUDA- ja cuDNN- kirjastot, joten cuda- ja cudnn-moduuleja ei tarvitse ladata erikseen!
Tämä komento näyttää myös kaikki saatavilla olevat versiot:
Voit tarkistaa ladattuun moduuliin sisältyvät tarkat paketit ja versiot komennolla:
Warning
Huomaa, että kirjautumissolmuja ei ole tarkoitettu raskaaseen laskentaan, käytä sen sijaan slurm- eräajoja. Katso ohjeemme eräajojärjestelmän käytöstä.
Esimerkkieräajotiedosto¶
Esimerkkieräajotiedosto yhden GPU:n ja sitä vastaavan osuuden saatavilla olevista CPU-ytimistä varaamiseen yhdellä solmulla:
Lue osio GPU:n tehokkaasta hyödyntämisestä koneoppimisen oppaassamme, jotta opit käyttämään GPU:ta tehokkaasti.
Suuret aineistot, usean GPU:n ja usean solmun ajot¶
Jos työskentelet suurten aineistojen kanssa tai aineistojen, jotka sisältävät paljon tiedostoja, lue koneoppimisen oppaamme dataosio. Erityisesti älä lue valtavaa määrää tiedostoja jaetusta tiedostojärjestelmästä, vaan käytä nopeaa paikallislevyä tai paketoi data suurempiin tiedostoihin!
Usean GPU:n ja usean solmun ajoihin suosittelemme käyttämään PyTorchin Distributed Data-Parallel -kehystä. Voit lukea tästä lisää ja löytää esimerkkejä PyTorch DDP:n käytöstä CSC:n supertietokoneilla koneoppimisen oppaamme usean GPU:n ja usean solmun osiosta
PyTorch-profiler¶
Jos PyTorch-ohjelmasi on hidas tai huomaat, että sillä on alhainen GPU:n käyttöaste, voit käyttää PyTorch- profileria ohjelmasi ajan- ja muistinkulutuksen analysointiin.
PyTorch-profilerin voi ottaa käyttöön lisäämällä muutaman rivin koodia olemassa olevaan PyTorch-ohjelmaasi:
from torch.profiler import profile, ProfilerActivity
prof = profile(
schedule=torch.profiler.schedule(
skip_first=10,
wait=5,
warmup=1,
active=3,
repeat=1)
on_trace_ready=torch.profiler.tensorboard_trace_handler('./logs/profiler'),
activities=[ProfilerActivity.CPU, ProfilerActivity.CUDA],
record_shapes=True, # record shapes of operator inputs
profile_memory=True, # track tensor memory allocation/deallocation
with_stack=True # record source code information
)
Tässä esimerkissä päätämme ohittaa ensimmäiset 10 erää ja tallentaa
profilointia varten vain muutaman erän. Profilointijälki tallennetaan
TensorBoard-muodossa hakemistoon logs/profiler. Nähdäksesi kaikki
vaihtoehdot, katso PyTorchin profileria koskeva API-
dokumentaatio.
Seuraavaksi profiler pitää käynnistää ja pysäyttää sekä tallentaa yksittäiset vaiheet (tyypillisesti erät). Tämä sijoittuisi yleensä opetussilmukkasi ympärille:
prof.start()
for batch in train_loader:
# normal forward and backprop stuff here
prof.step()
prof.stop()
GitHub-repositoriossamme annoimme
täyden esimerkin profiloinnista:
mnist_ddp_profiler.py
sekä sitä vastaavan Slurm-eräajotiedoston.
Ajotyön suorittamisen jälkeen voit tarkastella profilerin tulostetta TensorBoardilla. Käynnistä TensorBoard-istunto käyttämäsi supertietokoneen selainkäyttöliittymässä. Jos PyTorch-profiler ei avaudu automaattisesti, saatat löytää sen välilehtipalkista nimellä PYTORCH_PROFILER. Jos välilehti ei ole oletuksena näkyvissä, sen löytää käyttöliittymän oikean reunan pudotusvalikosta.
Erityisen hyödyllinen näkymä on Trace-näkymä (valitse "Trace" "Views"-pudotusvalikosta). Alla on esimerkkikuvakaappaus yllä linkitetyn esimerkin ajosta.

Trace-näkymää voi zoomata ja siirtää pienellä työkalupalkilla oikeassa yläkulmassa tai käyttämällä siirtämiseen 'a'- ja 'd'- näppäimiä sekä zoomaamiseen 'w'- ja 's'-näppäimiä.
Kuvakaappauksessa näemme:
- Alue 1, merkitty punaisella, näyttää datan lataamisen (tämä näkyy zoomaamalla sisään ja lukemalla näytetyt funktioiden nimet. Tämä ajetaan kokonaan CPU:lla, koska se on väritetty vain näytön yläosassa tavallisten Pythonin CPU-säikeiden alla.
- Alue 2, merkitty sinisellä, näyttää eteenpäinlaskennan ja takaisinlevityksen vaiheet. Osa tästä tehdään GPU:lla, kuten näkyy värityksestä alaosassa "GPU 0" -alueella.
On selvää, että tämä ajotyö ei hyödynnä GPU:ta hyvin, koska suurin osa ajasta kuluu CPU-käsittelyyn. Yleisesti voisi kokeilla lisätä enemmän CPU-ytimiä datan lataamisen tehokkaampaan käsittelyyn ja kasvattaa eräkokoa GPU-laskentakuorman lisäämiseksi. Tässä tapauksessa ongelmana on kuitenkin se, että verkko on niin pieni, ettei se pysty todella hyödyntämään GPU:ta täysimääräisesti.