Microsoft führt native PyTorch Arm-Unterstützung für Windows-Geräte ein

Microsoft veröffentlicht native PyTorch-Builds für Windows auf Arm

Nur wenige Wochen nach der Einführung der Windows on Arm Runner-Unterstützung auf GitHub hat Microsoft eine wichtige Ankündigung für Entwickler veröffentlicht, die ARM-basierte Geräte mit Windows entwickeln. Native Builds von PyTorch, einem weit verbreiteten Open-Source-Framework für maschinelles Lernen, sind nun offiziell für Windows on Arm verfügbar. Diese Weiterentwicklung vereinfacht den Prozess für Entwickler, die Anwendungen nativ auf der ARM-Architektur erstellen und testen möchten.

Die Bedeutung von PyTorch für maschinelles Lernen

Für diejenigen, die PyTorch noch nicht kennen: Es ist ein wichtiges Werkzeug für Forscher und Entwickler, die sich auf den Aufbau und das Training tiefer neuronaler Netzwerke konzentrieren. Bisher war die Ausführung von PyTorch auf Windows-Geräten mit Arm-Chips eine Herausforderung, da Benutzer das gesamte Framework aus dem Quellcode kompilieren mussten – ein zeitaufwändiger Prozess, der für Programmieranfänger weniger geeignet ist.

Was ist neu in PyTorch 2.7

Mit der Veröffentlichung von PyTorch 2.7 sind nun native Builds für Windows auf Arm für Python 3.12 verfügbar. Entwickler können PyTorch problemlos mit einem Standardpaketmanager wie pip installieren, was den Einrichtungsprozess erheblich vereinfacht.

Laut Microsoft:

Dadurch wird das Potenzial freigesetzt, die volle Leistung der Arm64-Architektur auf Windows-Geräten wie Copilot+-PCs für Experimente zum maschinellen Lernen zu nutzen und Entwicklern und Forschern eine robuste Plattform für die Innovation und Verfeinerung ihrer Modelle zu bieten.

Vorteile für die Entwicklung maschinellen Lernens

Dieses neueste Angebot soll die lokale Entwicklung, das Training und das Testen von Machine-Learning-Modellen direkt auf ARM-basierten Windows-Rechnern verbessern. Microsoft hob insbesondere potenzielle Anwendungen in Bereichen wie Bildklassifizierung, natürlicher Sprachverarbeitung und generativer KI hervor, die durch Tools wie Stable Diffusion veranschaulicht werden.

Erste Schritte mit nativem PyTorch unter Windows

Um mit nativen PyTorch-Binärdateien für Windows auf Arm loslegen zu können, müssen Entwickler einige grundlegende Voraussetzungen installieren. Dazu gehören Komponenten, die entweder aus den Visual Studio Build Tools oder einer vollständigen Visual Studio-Installation stammen.

Stellen Sie sicher, dass die Desktop-Entwicklung mit C++- Workload ausgewählt ist.
Stellen Sie sicher, dass Sie während der Installation die neuesten VS 2022 C++ ARM64/ARM64EC -Buildtools einbeziehen.

Darüber hinaus ist die Installation von Rust und die Arm64-Version von Python 3.12 auf Ihrem System erforderlich. Sobald diese Voraussetzungen erfüllt sind, können Sie mit einem einfachen Befehl die stabile Version von PyTorch über pip installieren und dabei den richtigen Download-Index auswählen:

pip install --extra-index-url https://download.pytorch.org/whl torch

Nightly Builds erkunden

Wer gerne mit den neuesten Funktionen experimentieren möchte und mit potenziell instabilen Versionen vertraut ist, kann die Nightly- oder Preview-Builds mit dem folgenden Befehl installieren:

pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cpu

Zusätzliche native Builds und Best Practices

Zusätzlich zum Python-Paket stehen auch native Builds für LibTorch zur Verfügung, das als C++-Frontend von PyTorch dient und häufig in Bereitstellungskontexten eingesetzt wird. Eine umfassende Anleitung zum Einstieg in LibTorch finden Entwickler auf der PyTorch-Website. Microsoft empfiehlt standardmäßig für die Python-Entwicklung die Erstellung einer virtuellen Umgebung (venv), um Projektabhängigkeiten nahtlos zu verwalten und potenzielle Konflikte zu vermeiden.

Beispielanwendung und -übernahme

Darüber hinaus hat Microsoft ein Beispiel für die Verwendung der nativen PyTorch-Binärdateien für Stable Diffusion unter Windows auf Arm vorgestellt und Einblicke gegeben, wie Entwickler generative KI in ihren Anwendungen nutzen können. Der entsprechende Code befindet sich in diesem GitHub-Repository.

Bewältigung von Abhängigkeitsproblemen

Es ist wichtig zu beachten, dass PyTorch und LibTorch zwar nun native Binärdateien für Windows auf Arm unterstützen, dies jedoch möglicherweise nicht für alle Abhängigkeiten gilt. Einige zusätzliche Python-Pakete, insbesondere solche mit leistungssensitiven Komponenten in Sprachen wie C, C++ oder Rust, bieten möglicherweise noch keine vorkompilierten nativen Arm64.whl-Dateien auf PyPI. Daher liefert eine einfache Pip-Installation möglicherweise nicht für jede verwendete Bibliothek eine native Version.

pip kann jedoch Abhängigkeiten direkt aus Quellcode-Distributionen installieren, die oft als tar.gz-Dateien bereitgestellt werden. Wenn die entsprechenden Build-Tools auf Ihrem System vorhanden sind – was die frühere Erwähnung von MSVC mit der Arm64-Toolchain und Rust unterstreicht – kann pip diese Pakete lokal in Windows-kompatible whl-Dateien kompilieren.

Microsoft betonte, dass diese Methode die Installation bestimmter Versionen beliebter Pakete wie NumPy 2.2.3 und Safetensors 0.5.3 ermöglicht, und stellte die erforderlichen Befehle vor:

pip install numpy==2.2.3 # and pip install safetensors==0.5.3

Diese Befehle dienen als Beispiele für die effektive Kompilierung von Paketen aus der Quelle.

Mehr lesen

Weitere Einblicke und zusätzliche Beispiele finden Sie in der vollständigen Ankündigung im Microsoft Windows-Blog.

Quelle & Bilder