Windows的CPU版本安裝：

pip3 install torch==1.3.0+cpu torchvision==0.4.1+cpu -f https://download.pytorch.org/whl/torch_stable.html

其他版本安裝請參考：

https://pytorch.org/get-started/locally/

PyTorch 1.3也增加了Cloud TPU和阿里云支持。

移動端支持（Mobile Support）

PyTorch 1.3 支持TorchScript直接在移動端進行推理（inference），而不需要任何轉換。當然移動端訓練（train）目前還是不支持的。

另外，針對fp32和int8做了一些優(yōu)化：

- 一些fp32的運算在ARM的CPU上做了特定優(yōu)化（基于Caffe2Go）

- 一些int8的運算在ARM的CPU上做了特定優(yōu)化（基于QNNPACK）

PyTorch移動端支持的特色在于沒有為移動端建立新的框架（對比TensorFlow lite），所有TorchScript的API都可以直接在Android/iOS上運行。

但目前只是試驗性質(zhì)的發(fā)布，仍需要不斷發(fā)展使得PyTorch對于特定的場景更小，更快。

命名張量（Named Tensor）

Named Tensor對Tensor的每一個維度指定具體的名字，這樣可以使Tensor易用性更好。例如：

>>> tensor = torch.zeros(2, 3, names=('C', 'N'))

    tensor([[0., 0., 0.],

            [0., 0., 0.]], names=('C', 'N'))

這樣就新建了一個dim=2的Tensor，兩個維度分別為’C’和’N’，這樣后續(xù)就可以直接使用’C’和’N’對Tensor進行操作，而不用使用以前的axis=0或者axis=1這種可讀性不好的操作。

量化支持

PyTorch 1.3支持Tensor的量化操作，用戶可以方便地

x = torch.rand(10,1, dtype=torch.float32)

# xq 是量化后的向量，數(shù)據(jù)類型記為 quint8

xq = torch.quantize_per_tensor(x, scale = 0.5, zero_point = 8, dtype=torch.quint8)

# 再轉換回浮點數(shù)

xdq = x.dequantize()