近日，摩尔线程宣布针对PyTorch深度学习框架的MUSA插件——Torch-MUSA迎来重大更新，新版本v1.3.0全面兼容PyTorch 2.2.0，进一步提升了PyTorch在MUSA架构上的模型性能与覆盖度，并能更友好支持模型迁移到国产全功能GPU。
PyTorch作为全球广泛使用的深度学习框架，已在自然语言处理、计算机视觉、推荐系统等多个领域展现出强大的应用能力。摩尔线程推出的Torch-MUSA，专为PyTorch提供MUSA后端加速支持，使得用户能够在MUSA架构上流畅运行深度学习模型，充分发挥国产全功能GPU的强大计算能力。
自发布以来，Torch-MUSA已历经多个版本的迭代，不断提升兼容性与性能。从v1.0.0版本开始，Torch-MUSA就率先支持了PyTorch 2.0，为用户带来了显著的计算加速和易用性。经过持续的开发与优化，最新发布的v1.3.0版本已全面支持PyTorch 2.2.0，极大提升了模型训练与推理的效率，满足了更多高性能深度学习任务的需求。
目前，Torch-MUSA已完全开源，开发者可通过访问GitHub获取源代码。摩尔线程鼓励开发者积极参与该项目的开发与改进，通过提交问题报告（issue）或代码修改申请（pull request）等方式，共同促进Torch-MUSA以及MUSA软件生态的持续进步和发展。
Torch-MUSA开源地址：
https://github.com/MooreThreads/torch_musa
功能特性
在Torch-MUSA中，用户只需指定torch.device(“musa”)，即可轻松将现有的PyTorch模型迁移到MUSA架构的GPU上运行，无需大幅修改代码。Torch-MUSA完全兼容PyTorch的自动微分和动态图机制，支持多种常用的神经网络模块及优化算法，并加速了关键深度学习算子的计算。此外，Torch-MUSA还支持多种PyTorch特性，包括DDP、JIT、FSDP、Profiler、Extension等。
版本迭代
v1.1.0：初次发布，支持PyTorch 2.0，提供基础张量操作和常见神经网络层的MUSA加速。
v1.2.0：进一步扩展算子支持，支持了完整功能的Profiler、MUSA Extension，并增加了Torch-MUSA专有特性如compare_tool、musa_converter，帮助用户更快的定位模型精度问题。
v1.3.0：支持PyTorch 2.2.0，性能进一步提升，支持FSDP，支持更复杂的模型和更大规模的数据处理。
未来计划
Torch-MUSA将继续跟进PyTorch的版本更新，计划支持更高版本的PyTorch。摩尔线程期待与广大开发者和研究人员共同完善Torch-MUSA的功能，持续优化性能，为基于MUSA架构的国产全功能GPU构建更强大的深度学习生态。
