labml-nn：带注释的 pyTorch 论文实现

作者：CSDN @ _养乐多_

labml-nn库集合了多种神经网络和相关算法的简单 PyTorch 实现，可以帮助我们快速开发深度学习模型。并配有逐行解释代码的文档。

一、网站

给大家分享一个深度学习模型代码逐行解释网站（https://nn.labml.ai/），主流模型都包含在里面。

该网站中文翻译网站：https://nn.labml.ai/zh/

该网站可以逐行解释深度模型代码。

二、主要包含的模型

主要包含的模型有

类型	项目
Transformers	多头注意力、Transformer构建模块、Transformer XL、相对多头注意力、旋转位置嵌入（RoPE）、带线性偏置的注意力（ALiBi）、RETRO、压缩Transformer、GPT架构、GLU变种、kNN-LM: 通过记忆实现泛化、反馈Transformer、开关Transformer、快速权重Transformer、FNet、无注意力Transformer、掩码语言模型、MLP-Mixer: 用于视觉的全MLP架构、关注MLPs（gMLP）、视觉Transformer（ViT）、Primer EZ、Hourglass
Eleuther GPT-NeoX	在48GB GPU上生成、在两个48GB GPU上微调、LLM.int8()
扩散模型（Diffusion models）	降噪扩散概率模型（DDPM）、降噪扩散隐式模型（DDIM）、潜在扩散模型、稳定扩散
生成对抗网络（Generative Adversarial Networks）	原始GAN、具有深度卷积网络的GAN、Cycle GAN、Wasserstein GAN、具有梯度惩罚的Wasserstein GAN、StyleGAN 2
递归高速公路网络（Recurrent Highway Networks）	循环公路网络
LSTM
HyperNetworks - HyperLSTM	超网络 - HyperLSTM
ResNet	残差网络
ConvMixer
胶囊网络（Capsule Networks）
U-Net
Sketch RNN
图神经网络（Graph Neural Networks）	图注意力网络（GAT）、图注意力网络v2（GATv2）
强化学习（Reinforcement Learning）	近端策略优化与广义优势估计、具有双网络、优先回放和双Q网络的深度Q网络
反事实遗憾最小化（CFR）	用 CFR 解决信息不完全的游戏，例如扑克。库恩扑克
优化器（Optimizers）	Adam、AMSGrad、具有预热的Adam优化器、Noam优化器、修正的Adam优化器、AdaBelief优化器、Sophia-G优化器
标准化层（Normalization Layers）	批标准化、层标准化、实例标准化、组标准化、权重标准化、批-通道标准化、DeepNorm
蒸馏（Distillation）
自适应计算（Adaptive Computation）	PonderNet
不确定性（Uncertainty）	用于分类不确定性量化的证据深度学习
激活函数（Activations）	模糊平铺激活（Fuzzy Tiling Activations）
语言模型抽样技术（Language Model Sampling Techniques）	贪婪抽样、温度抽样、前k个抽样、核抽样（Nucleus Sampling）
可扩展训练/推理（Scalable Training/Inference）	Zero3内存优化

三、github代码

https://github.com/labmlai/annotated_deep_learning_paper_implementations/tree/master/labml_nn

四、pip安装

pip install labml-nn