PyTorch

PyTorch Conference à Paris les 7 et 8 avril

Soumis par francoistonic le

Paris accueille la conférence PyTorch Europe 2026 les 7 et 8 avril à Station F. C'est l'occasion de faire le point sur PyTorch et l'écosystème autour. Les thèmes de la conférence seront nombreux : agent et interopérabilité, frameworks, compilateurs, GenAI, sécurité, ateliers... L'agenda promet d'être intense sur les 2 jours. 

PyTorch Conference Europe est une conférence technique intégrant des ateliers, des sessions sur tous les aspects PyTorch et de l'IA en général. Des keynotes seront proposées les deux jours. 

Pour en savoir plus et inscription : https://events.linuxfoundation.org/pytorch-conference-europe/

PyTorch 2.9 : ABI stable, mémoire symétrique, CUDA 13

Soumis par francoistonic le
IA
Image

PyTorch est disponible en version 2.9. Cette version intègre 3 216 commits et plus de 450 contributeurs y ont participé. Cette version nécessite Python 3.10 minimum. Les améliorations et nouveautés sont nombreuses. Petit tour d'horizon.

Les nouveautés les plus importantes sont :

- libtorch ABI stable pour les extensions C++ / CUDA

- meilleure mémoire pour la programmation multi-GPU

- amélioration sur les architectures Intel, ARM

- Activité de FlexAttention sur les GPU Intel

- Wheel build : extension de ce mode de distribution Python, par exemple, support de toutes les versions de CUDA

Attention, cette version introduit aussi des retraits et de possibles casses de codes : Python 3.10+ minimum, retrait de macOS antérieur à la version 14, retrait de draft_export dans exporter API. Reportez-vous à la note de version, la liste est longue. Vous devrez vérifier le bon fonctionnement de vos projets PyTorch et modifier les codes si besoin. 

Parmi les autres nouveautés annoncées, retenons :

- introduction de l'optimisation Muon

- nouveaux profilers pour la configuration et Python Stack Tracer

- support cpu fp8 et cpu fp8 qconv

- évolution dans les extensions C++

- support de CUDA 13.0

- support de Python 3.14 dans les builds CI/CD

Bref, une version majeure est des optimisations un peu partout dans le support matériel et la librairie.

Note de version complète : https://github.com/pytorch/pytorch/releases/tag/v2.9.0

Quandela annonce MerLin, un framework quantique pour l'IA

Soumis par francoistonic le

Quandella, un des acteurs clés du quantique français, vient d'annoncer un tout nouveau framework, MerLin. Il a l'ambition de faire le lien entre le quantique et l'IA (avec la notion de quantum machine learning) tout en s'appuyant sur les GPU. 

Il vise 3 priorités :

1. Démocratisation de l'hybridation IA quantique : ce framework mondial permettant aux spécialistes IA d'exploiter le potentiel quantique sans expertise quantique. MerLin s'intègre naturellement dans leurs outils existants (PyTorch, scikit-learn), ouvrant l'accès au quantique à des milliers de professionnels.

2. Un accélérateur pour le développement de nouveaux cas d'usage commerciaux : MerLin est optimisé pour les GPU NVIDIA. Il accélère le développement d'applications hybrides quantique-IA, réduisant les temps de recherche, grâce à la simulation GPU haute performance, avec possibilité de validation sur processeurs quantiques réels (via Quandela cloud). 

3. Écosystème open-source et momentum du marché :  MerLin bénéficie du soutien de l'écosystème NVIDIA et a été lancé au GTC Paris. Son approche open-source favorise l'adoption rapide par la communauté et positionne la France comme leader dans cette convergence stratégique entre IA et quantique. Le QML Lab de NYUAD, l'Imperial College, Scaleway et le Mila utilisent déjà les capacités de MerLin.

Quandella cherche ainsi à réduire la complexité quantique. MerLin s'occupe de faire le lien entre les deux mondes. L'intégration PyTorch/API scikit-learn est stable. Au-delà de 2026, Merlin devrait supporter des systèmes 24 quibits photons.

Lancement de la fondation PyTorch

Soumis par fredericmazue le

Mark Zuckerberg a annoncé sur sa page Facebook que PyTorchera sera désormais géré par la nouvelle fondation indépendante PyTorch, sous l’égide de la fondation Linux. 

La fondation PyTorch a pour vocation de démocratiser l’accès à des outils d’IA de pointe, des bibliothèques et d’autres composants, dans le but de faire progresser l’IA. Meta continuera d’investir dans PyTorch et de l’utiliser comme framework principal pour la recherche dans le domaine de l’IA et les applications de production dans l’entreprise.

Le projet rejoindra la Fondation Linux avec un conseil d'administration diversifié composé de représentants d'AMD, Amazon Web Services, Google Cloud, Meta, Microsoft et Nvidia, avec l'intention de s'étendre au fil du temps. 

PyTorch arrive en version 1.5 avec une API frontale C++ stable

Soumis par admin le

PyTorch est une bibliothèque de machine learning dévelopée par Facebook AI Research. La sortie de la version 1.5 de la bibliothèque vient d'être annoncée.

La nouveauté majeure est que l'API frontale C++, juste qu'ici expérimentale, est désormais stable, et est à parité avec Python. Concrètement, cela signifie les utilisateurs peuvent traduire complètement leurs modèles de l'API Python en API C ++.

Cette version ajoute une nouvelle API, expérimentale cette fois, permettant de lier simultanément des classes C ++ personnalisées à TorchScript et Python. Cela permet aux développeurs d'exposer une classe C ++ et ses méthodes au système de type TorchScript et au système d'exécution de manière à pouvoir instancier et manipuler des objets C ++ arbitraires à partir de TorchScript et Python. Par exemple :

template <class T>
struct MyStackClass : torch::CustomClassHolder {
  std::vector<T> stack_;
  MyStackClass(std::vector<T> init) : stack_(std::move(init)) {}
 
 void push(T x) {
    stack_.push_back(x);
  }

  T pop() {
    auto val = stack_.back();
    stack_.pop_back();
    return val;
  }
};

static auto testStack =
  torch::class_<MyStackClass<std::string>>("myclasses", "MyStackClass")
      .def(torch::init<std::vector<std::string>>())
      .def("push", &MyStackClass<std::string>::push)
      .def("pop", &MyStackClass<std::string>::pop)
      .def("size", [](const c10::intrusive_ptr<MyStackClass>& self) {
       return self->stack_.size();
});

expose une classe utilisable avec Python et TorchScript comme ceci :

@torch.jit.script
def do_stacks(s : torch.classes.myclasses.MyStackClass):
    s2 = torch.classes.myclasses.MyStackClass(["hi", "mom"])
    print(s2.pop()) # "mom"
    s2.push("foobar")
    return s2 # ["hi", "foobar"]

A remarquer encore:  les API RPC ont elles aussi acquis le statut stable dans PyTorch 1.5.

Enfin, à partir de PyTorch 1.5, la bibliothèque ne supporte plus Python 2.

Toutes les nouveautés de Python 1.5 peuvent être retrouvées dans sa note de version.