由脸书发起的开源深度学习框架PyTorch，现在发布最新1.9版本，自1.8版本以来，由398位贡献者发出3,400次程序代码提交完成，该框架发展迅速，这次的更新内容也是相当丰富，包括大幅改进对科学运算的支持外，还加入新的行动解释器，来改善移动设备上的二元档大小，并且强化GPU大规模分布式训练的支持。
这次更新的科学运算前端API，包括稳定版本的torch.linalg、Complex Autograd和测试版的torch.special。由于线性代数是深度学习和科学运算中，不可或缺的工具，因此官方加入了torch.linalg模块，来扩展了PyTorch对线性代数的支持，该模块实例了NumPy中线性代数的所有函数，因此对于原本就熟悉NumPy的开发者，可以快速上手。
Complex Autograd在PyTorch 1.8的时候，就以测试版本加入，现在已经进入稳定阶段，自测试版以来，官方已经为98%的运算符加入Complex Autograd的支持。Complex Autograd能自动计算复杂梯度，并且优化实值（Real Valued）损失函数，能够对PyTorch下游项目包括TorchAudio、ESPNet、Asteroid和FastMRI，提供更好的运算支持。还在测试阶段的torch.special，则类似SciPy特殊模块，该模块包含许多科学运算和好用的函数。
移动设备部分的改进，最大的亮点在于加入了测试版行动解释器，这是PyTorch Runtime的轻量版本，可在边缘设备执行PyTorch程序，并且大幅缩减二元文件大小。官方提到，行动解释器是众所期待的功能，目前在Android中使用MobileNetV2的pt格式文件，在未压缩前17.8 MB，压缩后是8.6 MB，而通过使用行动解释器，未压缩文件大小会是8 MB，压缩后会落在4 MB左右。
在分布式训练组件方面，TorchElastic终于成为PyTorch核心的一部分，TorchElastic已经在GitHub pytorch/elastic存储库中开源一年多，现在终于正式进入PyTorch核心。TorchElastic的核心功能便是能够有弹性地处理缩放事件，可以说是PyTorch工作程序的执行器和协调器，并且能让用户使用先占式执行实例，进行分布式训练。
除了TorchElastic，分布式训练更新还包括在RPC（Remote Procedure Call）中提供CUDA支持，官方提到，与CPU RPC和通用RPC框架相比，CUDA RPC是一个更具效率的P2P张量通信方法，甚至可实现CPU RPC的34倍速。CUDA RPC创建在TensorPipe上，可以根据Tensor设备类型和信道可用性，自动替每个张量选择通信信道。
PyTorch 1.9加入了新的模型打包方法，开发者使用torch.package就能够以自包含且稳定的格式，打包PyTorch模型，模型包中会包含参数等模型资料，以及模型架构程序代码。官方提到，用torch.package可以完整打包模型的相依项目，并且加入带有Conda环境的描述档，能简单地重现训练工作负载。