PyTorch生态简介

        PyTorch的强大并不仅局限于自身的易用性，更在于开源社区围绕PyTorch所产生的一系列工具包（一般是Python package）和程序，这些工具包极大地方便了PyTorch在特定领域的使用。例如对于图像处理时一般会使用torchvision，对于视频处理会使用torchvideo，对于文本的处理会使用torchtext等等。这些优秀的工具包共同构成了 PyTorch的生态。在特定领域使用PyTorch生态中的工具包，能够极大地降低入门门槛，方便新手快速掌握在特定领域的代码编写。

（一）torchvision

        torchvision是 PyTorch中用于图像处理的一个库，主要处理计算机视觉方向的模型和数据集。

1. torchvision.datasets：用来加载一些内置的数据集和一些常用的函数。
2. torchvision.models：用来加载PyTorch中内置的模型，并且可以将这些模型的预训练参数一起下载。
3. torchvision.transforms：用于图片的变换，对于数据进行增强。例如：随机缩放比例（transforms.Resize）、随机位置裁剪（transforms.RandomCrop）、随机旋转（transforms.RandomRotation（））等。
4. torchvision.utils：提供了一些可视化的方法，可以将若干张图片拼接在一起、可视化检测和分割的效果。

import torchvision
from torchvision import datasets, transforms

#加载内置模型Resnet18
model=torchvision.models.resnet18(pretrained=True)

#加载内置数据集MINIST
train_ds=datasets.MNIST('data', train=True, transform=ToTensor(), download=True)
test_ds=datasets.MNIST('data', train=False, transform=ToTensor(), download=True)

#用transforms对数据增强
transform_train=transforms.Compose([transforms.Resize(224)，  #随机缩放比例
                                    transforms.RandomCrop(192), #随机位置剪裁
                                    transforms.RandomHorizontalFlip(), #随机水平翻转
                                    transforms.RandomRotation(0.2),  #随机旋转
                                    transforms.ColorJitter(brightness=0.5,), #调整图片亮暗度
                                    transforms.ColorJitter(contrast=0.5,),   #图像数据增强
                                    transforms.ToTensor(),#对图像进行转化为tensor；改变图片格式；将像素取值范围规范到（0,1）
                                    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),#数据归一化处理

（二）torchcideo

        TorchVideo 是一个专注于视频理解工作的深度学习库。torchVideo 提供了加速视频理解研究所需的可重用、模块化和高效的组件。TorchVideo 是使用PyTorch开发的，支持不同的深度学习视频组件，如视频模型、视频数据集和视频特定转换。

        PytorchVideo 提供了加速视频理解研究所需的模块化和高效的API。它还支持不同的深度学习视频组件，如视频模型、视频数据集和视频特定转换，最重要的是，PytorchVideo也提供了model zoo，使得人们可以使用各种先进的预训练视频模型及其评判基准。

（三）torchtext

        torchtext是PyTorch官方用于自然语言处理（NLP）的工具包。

        torchtext可以方便的对文本进行预处理，例如截断补长、构建词表等。torchtext主要包含了以下的主要组成部分：1.数据处理工具（torchtext.data.functional、torchtext.data.utils）、2.加载NLP内置数据集（torchtext.data.datasets）、3.构建词表（torchtext.vocab）等。

import torch
import torchtext

#加载文本内置数据集
train_iter, test_iter=torchtext.datasets.IMDB()

#torchtext内置的分词工具
from torchtext.data.utils import  get_tokenizer
tokenizer=get_tokenizer('basic_english') #basic_english：会将字母转为小写并按空格分割，会分割标点符号。

#torchtext内置的创建词表的工具
from torchtext.vocab import build_vocab_from_iterator
def yield_tokens(data):   #创建词表时需传入一个生成器，所以在此先定义一个生成器函数
    for (_,text) in data:
        yield tokenizer(text)
vocab=build_vocab_from_iterator(yield_tokens(train_data),
                                specials=['<pad>', '<unk>'],
                                min_freq=3)
vocab.set_default_index(vocab['<unk>'])

注：torchtext在安装时它的版本需要和自己安装的PyTorch版本对应，否则将无法正常运行。可以参考如下网址（https://pypi.org/project/torchtext/）。