Composer 是一个用 PyTorch 编写的库，使您能够以更低的成本和更高的准确度更快地训练神经网络。
已经实现了两倍以上的加速方法，只需几行代码即可应用于您的训练循环，或与内置 Trainer 一起使用。
特点：
- 20 多种加速计算机视觉和语言建模训练网络的方法。当 Composer 为您完成工作时，不要浪费时间尝试复制研究论文。
- 一个易于使用的培训师，其编写的目的是尽可能提高性能，并集成了有效培训的最佳实践。
- 我们所有加速方法的功能形式，允许您将它们集成到您现有的训练循环中。
- 强大、可重复的基线，让您尽快开始。
Composer 可让您训练：
- ResNet-101 在 ImageNet 上的准确率在 1 小时 30 分钟内达到 78.1%（AWS 上 49 美元），比基线快 3.5 倍，便宜 71%。
- ResNet-50 在 ImageNet 上的准确率在 1 小时 14 分钟内达到 76.51%（AWS 上 40 美元），比基线快 2.9 倍，便宜 65%。
- 在 4 小时 27 分钟内将 GPT-2 在 OpenWebText 上的困惑度提高到 24.11（AWS 上 145 美元），比基线快 1.7 倍，便宜 43%。
Composer 具有一个函数接口（类似于torch.nn.functional），您可以将其集成到您自己的训练循环中，以及一个训练器，它可以为您将高效的训练算法无缝集成到训练循环中。
作者Jonathan Frankle的话：
Composer是我对彩票假说的研究的直接延续。
深度学习背后的数学并没有什么神圣的东西。从根本上改变数学是完全可以的（比如删除很多权重）。你会得到一个与之不同的网络，但这并不意味着原来的网络是 "正确 "的。如果改变数学就能得到一个同样好的网络（例如，同样的准确性），但速度更快，这就是胜利。
彩票假说是一个例子，说明如果你愿意打破深度学习背后的数学，就有可能实现。Composer有几十种这样做的技术，并有相应的速度提升。
编辑：我是Jonathan Frankle，我写了《彩票假说》的论文，我是Mosaic（Composer背后的人）的首席科学家。显然是即兴的AMA--我将在这里呆上一整天，帮助人们了解我们在Composer方面的工作!