【隆重发布】Facebook 发布深度学习工具包PyTorch Hub，让论文复现变得更容易，一行代码调用经典模型

最新推荐文章于 2024-08-09 14:43:16 发布

qq_41895190

最新推荐文章于 2024-08-09 14:43:16 发布

阅读量1.3k

点赞数 1

分类专栏： pytorch 文章标签： PyTorch Hub 重复研究 PyTorch 经典模型调用

本文链接：https://blog.csdn.net/qq_41895190/article/details/91622187

版权

Facebook推出了PyTorch Hub，这是一个深度学习工具包，旨在简化论文复现和研究工作，提供预训练模型库。用户可以使用一行代码调用ResNet、BERT等经典模型，提高研究的可重复性。PyTorch Hub支持Colab，与Papers With Code集成，并允许模型所有者发布和更新模型。

摘要由CSDN通过智能技术生成

【隆重发布】Facebook 发布深度学习工具包PyTorch Hub，让论文复现变得更容易，一行代码调用经典模型

可以加群264191384 注明（pytorch）

- WIN10+cuda10+pytorch+py3.68环境下，warpctc 编译不成功的解决办法

6月11日，Facebook PyTorch 团队发布了一个深度学习工具包 PyTorchHub，帮助机器学习工作者更快实现重要论文的复现工作。PyTorchHub 由一个预训练模型仓库组成，专门用于提高研究工作的复现性以及新的研究。同时它还内置了对Google Colab的支持，并与Papers With Code集成。目前 PyTorchHub 包括了一系列与图像分类、分割、生成以及转换相关的模型另外重要的一点是，它的整个工作流程大大简化。

简化到什么程度呢？Facebook 首席 AI 科学家Yann LeCun 兼图灵奖图灵奖得主Yann LeCun发表 Twitter强烈推荐，使用PyTorch Hub，无论是ResNet、BERT、GPT、VGG、PGAN 还是 MobileNet 等经典模型，只需输入一行代码，就能实现一键调用。

这个模型聚合中心到底如何呢？我们来一探究竟。

=============

使用PyTorch Hub进行可重复研究

再现性是许多研究领域的基本要求，包括基于机器学习技术的研究领域。然而，许多机器学习出版物要么不可再现，要么难以复制。随着研究出版物数量的不断增加，包括现在在arXiv上发表的数万篇论文以及提交给历史最高级别会议的论文，研究再现性比以往任何时候都更加重要。虽然这些出版物中的许多都伴随着代码以及训练有素的模型，这些模型虽然有用但仍留有许多步骤供用户自己解决。

我们很高兴地宣布推出PyTorch Hub，这是一个简单的API和工作流程，为改善机器学习研究的可重复性提供了基本的构建模块。PyTorch Hub包含一个经过预先培训的模型库，专门用于促进研究的可重复性和新的研究。它还内置了对Colab的支持，与Papers With Code集成，目前包含一系列广泛的模型，包括分类和分段，生成，变换器等。

[所有者]发布模型

PyTorch Hub支持通过添加简单hubconf.py文件将预先训练的模型（模型定义和预先训练的权重）发布到GitHub存储库。这提供了要支持哪些模型的枚举以及运行模型所需的依赖项列表。可以在torchvision，huggingface-bert和gan-model-zoo存储库中找到示例。

让我们看看最简单的案例：torchvision's hubconf.py：