大数据分析使用torchlayers构建PyTorch模型

　　torchlayers的目的是做Keras为TensorFlow做的事情，提供更高级别的模型构建API以及一些方便的默认值和附加组件，这些组件和附加组件可用于制作PyTorch神经网络。
 

　　通过在线搜索判断，PyTorch继续受到广泛关注，并且更重要的是，它的采用率不断提高。PyTorch被认为具有强大而灵活的特点，受到了研究人员的欢迎。但是，PyTorch过去因缺乏简化的高级API(例如TensorFlow的Keras)而受到实践者的批评。这种情况最近已经改变。
 

　　torchlayers旨在为PyTorch做Keras为TensorFlow做的事情。通过项目的开发人员进行了简要定义：
 

　　torchlayers是一个基于PyTorch的库，提供了自动的torch.nn层的形状和尺寸推断以及当前SOTA体系结构(例如Efficient-Net)中附加的构建块的功能。
 

　　与在Keras中看到的类似，以上内容不需要用户干预(除了对torchlayers.build的单个调用)。
 

　　除了上面提到的形状和尺寸推断外，torchlayers还包括其他类似Keras的图层(例如，torchlayers.Reshape在保留批处理尺寸的同时重塑输入男高音)，还包括ImageNet竞赛中以前看到的SOTA图层(PolyNet例如)，并提供了一些有用的默认值，例如卷积内核大小(torchlayers中的默认值为3)。
 

　　使用pip安装非常简单：
 

　　pip install –user torchlayers
 

　　可以在此处找到其他安装信息(例如：Docker映像和GPU)。完整的Torchlayers文档可在此处找到。
 

　　Torchlayers GitHub页面提供了一些示例来展示其某些功能。我喜欢简单的图像和文本分类器!例如，我在下面复制的代码。此示例说明：
 

　　1)torch.nn和torchlayers层混合

　　2)形状和尺寸推断(Conv以及Linear输入和BatchNorm)

　　3)默认的Conv内核大小

　　4)Conv 填充默认为“相同”

　　5)使用Torchlayers池化层(GlobalMaxPool类似于Keras )

　　然后，可以torchlayers.build在指定输入形状的同时使用来构建定义的网络(对于上面定义的模型，下面显示的图像和文本分类的输入形状)：

　　build显然，它就像在Keras中一样，相当于将模型编译为PyTorch基本体。它通过post_build功能提供了一些附加功能(例如权重初始化，如下所示)，您可以在此处找到更多信息。

　　torchlayers为使用PyTorch建立类似Keras的模型提供了一些有用的功能，并填补了一个明显的漏洞。时间会证明项目的发展和长期发展，但肯定有一个良好的开端。