PyTorch常用代码段整理合集,建议收藏!

    技术2024-11-29  18

    (给机器学习算法与Python学习加星标,提升AI技能)

    张皓:南京大学计算机系机器学习与数据挖掘所(LAMDA)硕士生,研究方向为计算机视觉和机器学习,特别是视觉识别和深度学习。个人主页:

    http://lamda.nju.edu.cn/zhangh/

    原知乎链接:

    https://zhuanlan.zhihu.com/p/59205847

    本文代码基于 PyTorch 1.0 版本,需要用到以下包

    import collections import os import shutil import tqdm import numpy as np import PIL.Image import torch import torchvision

    基础配置

    检查 PyTorch 版本

    torch.__version__               # PyTorch version torch.version.cuda              # Corresponding CUDA version torch.backends.cudnn.version()  # Corresponding cuDNN version torch.cuda.get_device_name(0)   # GPU type

    更新 PyTorch

    PyTorch 将被安装在 anaconda3/lib/python3.7/site-packages/torch/目录下。

    conda update pytorch torchvision -c pytorch

    固定随机种子

    torch.manual_seed(0) torch.cuda.manual_seed_all(0)

    指定程序运行在特定 GPU 卡上

    在命令行指定环境变量

    CUDA_VISIBLE_DEVICES=0,1 python train.py

    或在代码中指定

    os.environ[ CUDA_VISIBLE_DEVICES ] =  0,1

    判断是否有 CUDA 支持

    torch.cuda.is_available()

    设置为 cuDNN benchmark 模式

    Benchmark 模式会提升计算速度,但是由于计算中有随机性,每次网络前馈结果略有差异。

    torch.backends.cudnn.benchmark = True

    如果想要避免这种结果波动,设置

    torch.backends.cudnn.deterministic = True

    清除 GPU 存储

    有时 Control-C 中止运行后 GPU 存储没有及时释放,需要手动清空。在 PyTorch 内部可以

    torch.cuda.empty_cache()

    或在命令行可以先使用 ps 找到程序的 PID,再使用 kill 结束该进程

    ps aux | grep pythonkill -9 [pid]

    或者直接重置没有被清空的 GPU

    nvidia-smi --gpu-reset -i [gpu_id]

    张量处理

    张量基本信息

    tensor.type()   # Data type tensor.size()   # Shape of the tensor. It is a subclass of Python tuple tensor.dim()    # Number of dimensions.

    数据类型转换

    # Set default tensor type. Float in PyTorch is much faster than double. torch.set_default_tensor_type(torch.FloatTensor) # Type convertions. tensor = tensor.cuda() tensor = tensor.cpu() tensor = tensor.float() tensor = tensor.long()

    torch.Tensor 与 np.ndarray 转换

    # torch.Tensor -> np.ndarray. ndarray = tensor.cpu().numpy() # np.ndarray -> torch.Tensor. tensor = torch.from_numpy(ndarray).float() tensor = torch.from_numpy(ndarray.copy()).float()  # If ndarray has negative stride

    torch.Tensor 与 PIL.Image 转换

    PyTorch 中的张量默认采用 N×D×H×W 的顺序,并且数据范围在 [0, 1],需要进行转置和规范化。

    # torch.Tensor -> PIL.Image. image = PIL.Image.fromarray(torch.clamp(tensor * 255, min=0, max=255     ).byte().permute(1, 2, 0).cpu().numpy()) image = torchvision.transforms.functional.to_pil_image(tensor)  # Equivalently way # PIL.Image -> torch.Tensor. tensor = torch.from_numpy(np.asarray(PIL.Image.open(path))     ).permute(2, 0, 1).float() / 255 tensor = torchvision.transforms.functional.to_tensor(PIL.Image.open(path))  # Equivalently way

    np.ndarray 与 PIL.Image 转换

    # np.ndarray -> PIL.Image. image = PIL.Image.fromarray(ndarray.astypde(np.uint8)) # PIL.Image -> np.ndarray. ndarray = np.asarray(PIL.Image.open(path))

    从只包含一个元素的张量中提取值

    这在训练时统计 loss 的变化过程中特别有用。否则这将累积计算图,使 GPU 存储占用量越来越大。

    value = tensor.item()

    张量形变

    张量形变常常需要用于将卷积层特征输入全连接层的情形。相比 torch.view,torch.reshape 可以自动处理输入张量不连续的情况。

    tensor = torch.reshape(tensor, shape)

    打乱顺序

    tensor = tensor[torch.randperm(tensor.size(0))]  # Shuffle the first dimension

    水平翻转

    PyTorch 不支持 tensor[::-1] 这样的负步长操作,水平翻转可以用张量索引实现。

    # Assume tensor has shape N*D*H*W.tensor = tensor[:, :, :, torch.arange(tensor.size(3) - 1, -1, -1).long()]

    复制张量

    有三种复制的方式,对应不同的需求。

    # Operation                 |  New/Shared memory | Still in computation graph | tensor.clone()            # |        New         |          Yes               | tensor.detach()           # |      Shared        |          No                | tensor.detach.clone()()   # |        New         |          No                |

    拼接张量

    注意 torch.cat 和 torch.stack 的区别在于 torch.cat 沿着给定的维度拼接,而 torch.stack 会新增一维。例如当参数是 3 个 10×5 的张量,torch.cat 的结果是 30×5 的张量,而 torch.stack 的结果是 3×10×5 的张量。

    tensor = torch.cat(list_of_tensors, dim=0) tensor = torch.stack(list_of_tensors, dim=0)

    将整数标记转换成独热(one-hot)编码

    PyTorch 中的标记默认从 0 开始。

    N = tensor.size(0) one_hot = torch.zeros(N, num_classes).long() one_hot.scatter_(dim=1, index=torch.unsqueeze(tensor, dim=1), src=torch.ones(N, num_classes).long())

    得到非零/零元素

    torch.nonzero(tensor)               # Index of non-zero elements torch.nonzero(tensor == 0)          # Index of zero elements torch.nonzero(tensor).size(0)       # Number of non-zero elements torch.nonzero(tensor == 0).size(0)  # Number of zero elements

    张量扩展

    # Expand tensor of shape 64*512 to shape 64*512*7*7. torch.reshape(tensor, (64, 512, 1, 1)).expand(64, 512, 7, 7)

    矩阵乘法

    # Matrix multiplication: (m*n) * (n*p) -> (m*p). result = torch.mm(tensor1, tensor2) # Batch matrix multiplication: (b*m*n) * (b*n*p) -> (b*m*p). result = torch.bmm(tensor1, tensor2) # Element-wise multiplication. result = tensor1 * tensor2

    计算两组数据之间的两两欧式距离

    # X1 is of shape m*d. X1 = torch.unsqueeze(X1, dim=1).expand(m, n, d) # X2 is of shape n*d. X2 = torch.unsqueeze(X2, dim=0).expand(m, n, d) # dist is of shape m*n, where dist[i][j] = sqrt(|X1[i, :] - X[j, :]|^2) dist = torch.sqrt(torch.sum((X1 - X2) ** 2, dim=2))

    模型定义

    卷积层

    最常用的卷积层配置是

    conv = torch.nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=True)conv = torch.nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0, bias=True)

    如果卷积层配置比较复杂,不方便计算输出大小时,可以利用如下可视化工具辅助

    链接:https://ezyang.github.io/convolution-visualizer/index.html

    0GAP(Global average pooling)层

    gap = torch.nn.AdaptiveAvgPool2d(output_size=1)

    双线性汇合(bilinear pooling)

    X = torch.reshape(N, D, H * W)                        # Assume X has shape N*D*H*W X = torch.bmm(X, torch.transpose(X, 1, 2)) / (H * W)  # Bilinear pooling assert X.size() == (N, D, D) X = torch.reshape(X, (N, D * D)) X = torch.sign(X) * torch.sqrt(torch.abs(X) + 1e-5)   # Signed-sqrt normalization X = torch.nn.functional.normalize(X)                  # L2 normalization

    多卡同步 BN(Batch normalization)

    当使用 torch.nn.DataParallel 将代码运行在多张 GPU 卡上时,PyTorch 的 BN 层默认操作是各卡上数据独立地计算均值和标准差,同步 BN 使用所有卡上的数据一起计算 BN 层的均值和标准差,缓解了当批量大小(batch size)比较小时对均值和标准差估计不准的情况,是在目标检测等任务中一个有效的提升性能的技巧。

    链接:https://github.com/vacancy/Synchronized-BatchNorm-PyTorch

    类似 BN 滑动平均

    如果要实现类似 BN 滑动平均的操作,在 forward 函数中要使用原地(inplace)操作给滑动平均赋值。

    class BN(torch.nn.Module)     def __init__(self):         ...         self.register_buffer( running_mean , torch.zeros(num_features))     def forward(self, X):         ...         self.running_mean += momentum * (current - self.running_mean)

    计算模型整体参数量

    num_parameters = sum(torch.numel(parameter) for parameter in model.parameters())

    类似 Keras 的 model.summary() 输出模型信息

    链接:https://github.com/sksq96/pytorch-summary

    模型权值初始化

    注意 model.modules() 和 model.children() 的区别:model.modules() 会迭代地遍历模型的所有子层,而 model.children() 只会遍历模型下的一层。

    # Common practise for initialization. for layer in model.modules():     if isinstance(layer, torch.nn.Conv2d):         torch.nn.init.kaiming_normal_(layer.weight, mode= fan_out ,                                       nonlinearity= relu )         if layer.bias is not None:             torch.nn.init.constant_(layer.bias, val=0.0)     elif isinstance(layer, torch.nn.BatchNorm2d):         torch.nn.init.constant_(layer.weight, val=1.0)         torch.nn.init.constant_(layer.bias, val=0.0)     elif isinstance(layer, torch.nn.Linear):         torch.nn.init.xavier_normal_(layer.weight)         if layer.bias is not None:             torch.nn.init.constant_(layer.bias, val=0.0) # Initialization with given tensor. layer.weight = torch.nn.Parameter(tensor)

    部分层使用预训练模型

    注意如果保存的模型是 torch.nn.DataParallel,则当前的模型也需要是

    model.load_state_dict(torch.load( model,pth ), strict=False)

    将在 GPU 保存的模型加载到 CPU

    model.load_state_dict(torch.load( model,pth , map_location= cpu ))

    数据准备、特征提取与微调

    得到视频数据基本信息

    import cv2 video = cv2.VideoCapture(mp4_path) height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT)) width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH)) num_frames = int(video.get(cv2.CAP_PROP_FRAME_COUNT)) fps = int(video.get(cv2.CAP_PROP_FPS)) video.release()

    TSN 每段(segment)采样一帧视频

    K = self._num_segments if is_train:     if num_frames > K:         # Random index for each segment.         frame_indices = torch.randint(             high=num_frames // K, size=(K,), dtype=torch.long)         frame_indices += num_frames // K * torch.arange(K)     else:         frame_indices = torch.randint(             high=num_frames, size=(K - num_frames,), dtype=torch.long)         frame_indices = torch.sort(torch.cat((             torch.arange(num_frames), frame_indices)))[0] else:     if num_frames > K:         # Middle index for each segment.         frame_indices = num_frames / K // 2         frame_indices += num_frames // K * torch.arange(K)     else:         frame_indices = torch.sort(torch.cat((                                           torch.arange(num_frames), torch.arange(K - num_frames))))[0] assert frame_indices.size() == (K,) return [frame_indices[i] for i in range(K)]

    提取 ImageNet 预训练模型某层的卷积特征

    # VGG-16 relu5-3 feature. model = torchvision.models.vgg16(pretrained=True).features[:-1] # VGG-16 pool5 feature. model = torchvision.models.vgg16(pretrained=True).features # VGG-16 fc7 feature. model = torchvision.models.vgg16(pretrained=True) model.classifier = torch.nn.Sequential(*list(model.classifier.children())[:-3]) # ResNet GAP feature. model = torchvision.models.resnet18(pretrained=True) model = torch.nn.Sequential(collections.OrderedDict(     list(model.named_children())[:-1])) with torch.no_grad():     model.eval()     conv_representation = model(image)

    提取 ImageNet 预训练模型多层的卷积特征

    class FeatureExtractor(torch.nn.Module):     """Helper class to extract several convolution features from the given     pre-trained model.     Attributes:         _model, torch.nn.Module.         _layers_to_extract, list<str> or set<str>     Example:         >>> model = torchvision.models.resnet152(pretrained=True)         >>> model = torch.nn.Sequential(collections.OrderedDict(                 list(model.named_children())[:-1]))         >>> conv_representation = FeatureExtractor(                 pretrained_model=model,                 layers_to_extract={ layer1 ,  layer2 ,  layer3 ,  layer4 })(image)     """     def __init__(self, pretrained_model, layers_to_extract):         torch.nn.Module.__init__(self)         self._model = pretrained_model         self._model.eval()         self._layers_to_extract = set(layers_to_extract)     def forward(self, x):         with torch.no_grad():             conv_representation = []             for name, layer in self._model.named_children():                 x = layer(x)                 if name in self._layers_to_extract:                     conv_representation.append(x)             return conv_representation

    其他预训练模型

    链接:https://github.com/Cadene/pretrained-models.pytorch

    微调全连接层

    model = torchvision.models.resnet18(pretrained=True) for param in model.parameters():     param.requires_grad = False model.fc = nn.Linear(512, 100)  # Replace the last fc layer optimizer = torch.optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9, weight_decay=1e-4)

    以较大学习率微调全连接层,较小学习率微调卷积层

    model = torchvision.models.resnet18(pretrained=True) finetuned_parameters = list(map(id, model.fc.parameters())) conv_parameters = (p for p in model.parameters() if id(p) not in finetuned_parameters) parameters = [{ params : conv_parameters,  lr : 1e-3},                { params : model.fc.parameters()}] optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

    模型训练

    常用训练和验证数据预处理

    其中 ToTensor 操作会将 PIL.Image 或形状为 H×W×D,数值范围为 [0, 255] 的 np.ndarray 转换为形状为 D×H×W,数值范围为 [0.0, 1.0] 的 torch.Tensor。

    train_transform = torchvision.transforms.Compose([     torchvision.transforms.RandomResizedCrop(size=224,                                              scale=(0.08, 1.0)),     torchvision.transforms.RandomHorizontalFlip(),     torchvision.transforms.ToTensor(),     torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),                                      std=(0.229, 0.224, 0.225)),  ])  val_transform = torchvision.transforms.Compose([     torchvision.transforms.Resize(224),     torchvision.transforms.CenterCrop(224),     torchvision.transforms.ToTensor(),     torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406),                                      std=(0.229, 0.224, 0.225)), ])

    训练基本代码框架

    for t in epoch(80):     for images, labels in tqdm.tqdm(train_loader, desc= Epoch %3d  % (t + 1)):         images, labels = images.cuda(), labels.cuda()         scores = model(images)         loss = loss_function(scores, labels)         optimizer.zero_grad()         loss.backward()         optimizer.step()

    标记平滑(label smoothing)

    for images, labels in train_loader:     images, labels = images.cuda(), labels.cuda()     N = labels.size(0)     # C is the number of classes.     smoothed_labels = torch.full(size=(N, C), fill_value=0.1 / (C - 1)).cuda()     smoothed_labels.scatter_(dim=1, index=torch.unsqueeze(labels, dim=1), value=0.9)     score = model(images)     log_prob = torch.nn.functional.log_softmax(score, dim=1)     loss = -torch.sum(log_prob * smoothed_labels) / N     optimizer.zero_grad()     loss.backward()     optimizer.step()

    Mixup

    beta_distribution = torch.distributions.beta.Beta(alpha, alpha) for images, labels in train_loader:     images, labels = images.cuda(), labels.cuda()     # Mixup images.     lambda_ = beta_distribution.sample([]).item()     index = torch.randperm(images.size(0)).cuda()     mixed_images = lambda_ * images + (1 - lambda_) * images[index, :]     # Mixup loss.         scores = model(mixed_images)     loss = (lambda_ * loss_function(scores, labels)              + (1 - lambda_) * loss_function(scores, labels[index]))     optimizer.zero_grad()     loss.backward()     optimizer.step()

    L1 正则化

    l1_regularization = torch.nn.L1Loss(reduction= sum ) loss = ...  # Standard cross-entropy loss for param in model.parameters():     loss += torch.sum(torch.abs(param)) loss.backward()

    不对偏置项进行 L2 正则化/权值衰减(weight decay)

    bias_list = (param for name, param in model.named_parameters() if name[-4:] ==  bias ) others_list = (param for name, param in model.named_parameters() if name[-4:] !=  bias ) parameters = [{ parameters : bias_list,  weight_decay : 0},                               { parameters : others_list}] optimizer = torch.optim.SGD(parameters, lr=1e-2, momentum=0.9, weight_decay=1e-4)

    梯度裁剪(gradient clipping)

    torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=20)

    计算 Softmax 输出的准确率

    score = model(images) prediction = torch.argmax(score, dim=1) num_correct = torch.sum(prediction == labels).item() accuruacy = num_correct / labels.size(0)

    可视化模型前馈的计算图

    链接:https://github.com/szagoruyko/pytorchviz

    可视化学习曲线

    有 Facebook 自己开发的 Visdom 和 Tensorboard 两个选择。

    https://github.com/facebookresearch/visdom

    https://github.com/lanpa/tensorboardX

    # Example using Visdom. vis = visdom.Visdom(env= Learning curve , use_incoming_socket=False) assert self._visdom.check_connection() self._visdom.close() options = collections.namedtuple( Options , [ loss ,  acc ,  lr ])(     loss={ xlabel :  Epoch ,  ylabel :  Loss ,  showlegend : True},     acc={ xlabel :  Epoch ,  ylabel :  Accuracy ,  showlegend : True},     lr={ xlabel :  Epoch ,  ylabel :  Learning rate ,  showlegend : True}) for t in epoch(80):     tran(...)     val(...)     vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([train_loss]),              name= train , win= Loss , update= append , opts=options.loss)     vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([val_loss]),              name= val , win= Loss , update= append , opts=options.loss)     vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([train_acc]),              name= train , win= Accuracy , update= append , opts=options.acc)     vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([val_acc]),              name= val , win= Accuracy , update= append , opts=options.acc)     vis.line(X=torch.Tensor([t + 1]), Y=torch.Tensor([lr]),              win= Learning rate , update= append , opts=options.lr)

    得到当前学习率

    # If there is one global learning rate (which is the common case). lr = next(iter(optimizer.param_groups))[ lr ] # If there are multiple learning rates for different layers. all_lr = [] for param_group in optimizer.param_groups:     all_lr.append(param_group[ lr ])

    学习率衰减

    # Reduce learning rate when validation accuarcy plateau. scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode= max , patience=5, verbose=True) for t in range(0, 80):     train(...); val(...)     scheduler.step(val_acc) # Cosine annealing learning rate. scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=80) # Reduce learning rate by 10 at given epochs. scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 70], gamma=0.1) for t in range(0, 80):     scheduler.step()         train(...); val(...) # Learning rate warmup by 10 epochs. scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda t: t / 10) for t in range(0, 10):     scheduler.step()     train(...); val(...)

    保存与加载断点

    注意为了能够恢复训练,我们需要同时保存模型和优化器的状态,以及当前的训练轮数。

    # Save checkpoint. is_best = current_acc > best_acc best_acc = max(best_acc, current_acc) checkpoint = {      best_acc : best_acc,          epoch : t + 1,      model : model.state_dict(),      optimizer : optimizer.state_dict(), } model_path = os.path.join( model ,  checkpoint.pth.tar ) torch.save(checkpoint, model_path) if is_best:     shutil.copy( checkpoint.pth.tar , model_path) # Load checkpoint. if resume:     model_path = os.path.join( model ,  checkpoint.pth.tar )     assert os.path.isfile(model_path)     checkpoint = torch.load(model_path)     best_acc = checkpoint[ best_acc ]     start_epoch = checkpoint[ epoch ]     model.load_state_dict(checkpoint[ model ])     optimizer.load_state_dict(checkpoint[ optimizer ])     print( Load checkpoint at epoch %d.  % start_epoch)

    计算准确率、查准率(precision)、查全率(recall)

    # data[ label ] and data[ prediction ] are groundtruth label and prediction  # for each image, respectively. accuracy = np.mean(data[ label ] == data[ prediction ]) * 100 # Compute recision and recall for each class. for c in range(len(num_classes)):     tp = np.dot((data[ label ] == c).astype(int),                 (data[ prediction ] == c).astype(int))     tp_fp = np.sum(data[ prediction ] == c)     tp_fn = np.sum(data[ label ] == c)     precision = tp / tp_fp * 100     recall = tp / tp_fn * 100

    PyTorch 其他注意事项

    模型定义

    建议有参数的层和汇合(pooling)层使用 torch.nn 模块定义,激活函数直接使用 torch.nn.functional。torch.nn 模块和 torch.nn.functional 的区别在于,torch.nn 模块在计算时底层调用了 torch.nn.functional,但 torch.nn 模块包括该层参数,还可以应对训练和测试两种网络状态。使用 torch.nn.functional 时要注意网络状态,如

    def forward(self, x):     ...     x = torch.nn.functional.dropout(x, p=0.5, training=self.training)

    model(x) 前用 model.train() 和 model.eval() 切换网络状态。

    不需要计算梯度的代码块用 with torch.no_grad() 包含起来。model.eval() 和 torch.no_grad() 的区别在于,model.eval() 是将网络切换为测试状态,例如 BN 和随机失活(dropout)在训练和测试阶段使用不同的计算方法。torch.no_grad() 是关闭 PyTorch 张量的自动求导机制,以减少存储使用和加速计算,得到的结果无法进行 loss.backward()。

    torch.nn.CrossEntropyLoss 的输入不需要经过 Softmax。torch.nn.CrossEntropyLoss 等价于 torch.nn.functional.log_softmax + torch.nn.NLLLoss。

    loss.backward() 前用 optimizer.zero_grad() 清除累积梯度。optimizer.zero_grad() 和 model.zero_grad() 效果一样。

    PyTorch 性能与调试

    torch.utils.data.DataLoader 中尽量设置 pin_memory=True,对特别小的数据集如 MNIST 设置 pin_memory=False 反而更快一些。num_workers 的设置需要在实验中找到最快的取值。

    用 del 及时删除不用的中间变量,节约 GPU 存储。

    使用 inplace 操作可节约 GPU 存储,如

    x = torch.nn.functional.relu(x, inplace=True)

    减少 CPU 和 GPU 之间的数据传输。例如如果你想知道一个 epoch 中每个 mini-batch 的 loss 和准确率,先将它们累积在 GPU 中等一个 epoch 结束之后一起传输回 CPU 会比每个 mini-batch 都进行一次 GPU 到 CPU 的传输更快。

    使用半精度浮点数 half() 会有一定的速度提升,具体效率依赖于 GPU 型号。需要小心数值精度过低带来的稳定性问题。

    时常使用 assert tensor.size() == (N, D, H, W) 作为调试手段,确保张量维度和你设想中一致。

    除了标记 y 外,尽量少使用一维张量,使用 n*1 的二维张量代替,可以避免一些意想不到的一维张量计算结果。

    统计代码各部分耗时

    with torch.autograd.profiler.profile(enabled=True, use_cuda=False) as profile:     ... print(profile)

    或者在命令行运行

    python -m torch.utils.bottleneck main.py

    致谢

    感谢 @些许流年和@El tnoto的勘误。由于作者才疏学浅,更兼时间和精力所限,代码中错误之处在所难免,敬请读者批评指正。

    参考资料

    PyTorch 官方代码:pytorch/examples (https://link.zhihu.com/?target=https%3A//github.com/pytorch/examples)

    PyTorch 论坛:PyTorch Forums (https://link.zhihu.com/?target=https%3A//discuss.pytorch.org/latest%3Forder%3Dviews)

    PyTorch 文档:http://pytorch.org/docs/stable/index.html (https://link.zhihu.com/?target=http%3A//pytorch.org/docs/stable/index.html)

    其他基于 PyTorch 的公开实现代码,无法一一列举

    推荐阅读 详尽实用的 PyCharm 教程,这篇文章值得一看 没掌握这 22 个工具包,别说精通Python! Python 3.9 正式版要来了,会有哪些新特性? 【四】零基础入门深度学习:卷积神经网络基础之池化和Relu 李宏毅机器学习完整笔记发布,AI界「最热视频博主」中文课程笔记全开
    Processed: 0.067, SQL: 9