Neexistují žádné specifické známé problémy přímo související s používáním Pytorch/XLA na Pythonu 3.10. Některé obecné problémy a úvahy s Pytorch/XLA však mohou být relevantní:
1. Kompatibilita instalace: Zatímco Pytorch/XLA podporuje verze Pythonu až do 3.11, pro Python 3.10 nejsou hlášeny žádné specifické problémy. Zajištění kompatibility s nejnovějšími verzemi Pytorch a dalších závislostí je však zásadní [3] [5].
2. Problémy s přiřazením zařízení: V Pytorch/XLA 2.5 může použití elipse (`...`) s operacemi tenzoru vést k nesprávnému přiřazení zařízení, což způsobí chyby runtime. Řešení je zabránit použití elipsy a místo toho výslovně specifikovat rozměry [2].
3.. Výkonové výšky: Pytorch/XLA může zažít degradaci výkonu v důsledku častých rekonstrukcí, když se změní tvary tenzoru. Udržování konstantních tvarů a výpočtů napříč zařízeními to může pomoci zmírnit [6].
4. Omezení provozu: Některé operace nemusí mít nativní překlady do XLA, což vede k převodům CPU a potenciálním zpomalení. Vyhýbání se operacím jako `item ()`, pokud to není nutné [6].
Celkově, i když pro Python 3.10 neexistují žádné specifické problémy, měly by být mít na paměti obecné úvahy o obecném Pytorch/XLA, aby se zajistil hladký provoz.
Citace:[1] https://discuss.pytorch.org/t/can-not-import-torch-xla-on-google-colab-without-tpu/174758
[2] https://awsdocs-neuron.readthedocs-hosted.com/en/latest/general/appnotes/torch-neuronx/introducing-Pytorch-2-x.html
[3] https://stackoverflow.com/questions/79314991/WHY-AM-I-Getting-no-Matching-Distribution-For-torch-xla-2-5-0-WHEN-INST
[4] https://awsdocs-neuron.readthedocs-hosted.com/en/latest/release-notes/torch/torch-neuronx/index.html
[5] https://github.com/pytorch/xla/issues/3662
[6] https://pytorch.org/xla/release/r2.5/debug.html
[7] https://github.com/googlecolab/colabtools/issues/3481
[8] https://pytorch.org/xla/