PyTorch 是一种基于 Python 为接口的深度学习框架，允许用户利用 GPU 资源对矩阵进行运算，类似 numpy 中 Array 的运算，更多详细介绍可参考 PyTorch 官方文档 。可视化建模中有 PyTorch / PyTorch_TI_ACC 两个版本的组件，分别为原版，TI-ACC 加速版。
操作步骤
1. 添加组件
从左侧菜单栏中，选择组件算子 > 深度学习列表下的 PyTorch 节点，将其拖拽至画布中。
2. 算法 IO 参数
高级设置内，主要包含输入数据和输出数据的设置，您可以通过自定义路径设定或通过拖拽数据源、输出算子连接到组件算子上进行设置。请注意本地路径，您的程序可能需要在对应路径进行读写。
3. 算法参数
*代码包：从指定对象存储 COS 存储桶中选择文件夹。启动命令：算子启动时执行的命令，默认入口为 start.sh 。
调优参数：填写的超参数 JSON 会保存为 /opt/ml/input/config/hyperparameters.json 文件，您的代码需自行解析。
4. 资源参数
*框架版本：使用的 PyTorch 框架版本。*训练模式：可选 DDP 、 MPI 或 HOROVOD ，TI_ACC 加速版仅支持 DDP 。*计费模式：可选择按量计费和包年包月5. 运行
单击保存并运行工作流。
6. 查看 PyTorch日志
在 PyTorch 节点上单击右键菜单可查看详细日志。
Demo
下面演示如何通过 PyTorch 组件算子在 DDP 训练模式下训练卷积神经网络识别 MNIST 数据集。
2. 进行参数配置，首先是算法 IO 参数的高级设置（为了方便修改本地路径，使用自定义路径）。输入数据 0 使用自定义路径，数据源类型使用 COS 。点击选择文件选择数据所在的文件夹，由于要与代码中所设定的数据路径对齐，本地路径名改为 mnist ：
算法参数：单击选择文件，选择代码所在文件夹。启动命令为空，使用默认的入口。
资源参数：
*框架版本：torch1.9-py3.8-cuda11.1-gpu*训练模式：DDP*计费模式：后付费*算力规格：8C32G T4*1*节点数量：23. 等待运行结束后，查看日志，可以看到训练过程的输出，以及最后的耗时，在 30~40s 左右：