本文約1200字，建議閱讀5分鐘
本文介紹了torchlayers。torchlayers 旨在做Keras為TensorFlow所做的事情，它提供了更高級的模型構建的API和一些方便的默認值以及附加功能，這些功能對構建PyTorch神經網絡很有用。通過在線搜索的趨勢判斷（連結：https://trends.google.com/trends/explore?date=today%205-y&geo=US&q=%2Fg%2F11gd3905v1），PyTorch繼續受到人們的普遍關注，更重要的是，PyTorch的使用率在不斷提高（連結：https://www.kdnuggets.com/2020/01/openai-pytorch-adoption.html）。PyTorch被認為具有強大而靈活的特點，這些特點讓其受到了研究者的歡迎。然而，PyTorch過去因缺乏簡化的高級API（例如TensorFlow的Keras） 常常受到從業者的批評。但是這種情況最近已經改變了。torchlayers（見下面連結） 旨在為PyTorch做Keras給TensorFlow所做的事情。這個項目的開發者簡潔地定義了它：torchlayers是一個基於PyTorch的庫，提供了torch.nn層的形狀和維度的自動推斷以及當前最好的網絡結構（例如Efficient-Net）中的構建塊。附連結：
https://github.com/szymonmaszke/torchlayers
與Keras中的操作類似，上述的操作不需要用戶幹預（除了調用一次torchlayers.build）。除了上面提到的形狀和維度的推斷，torchlayers 還包括其他類似Keras的層，例如 torchlayers.Reshape（在改變輸入張量形狀的同時，保留了批量的維度，見下面連結1），包括之前在 ImageNet 競賽中見過的最好的層（比如 PloyNet，見下面連結2）。此外，它還提供了一些有用的默認值，例如卷積核的大小（torchlayers的默認值是3）。連結1：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=reshape#torchlayers.Reshape連結2：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.convolution.html?highlight=polynet#torchlayers.convolution.Polypip install --user torchlayers 其他的安裝信息（關於Docker 鏡像和GPU）可從這裡獲取（連結：https://szymonmaszke.github.io/torchlayers/#installation）。完整的torchlayers文檔可這裡獲取（連結：https://szymonmaszke.github.io/torchlayers/）。torchlayers 的GitHub 主頁提供了一些例子來展示它的一些功能。我喜歡這個圖像和文本分類二合一的例子（見下面連結）！我在下面附上了代碼，這例子展示了：torch.nn 和 torchlayers 層的混合使用
形狀和維度推斷（卷積、線性輸入和BatchNorm）
默認的卷積核v大小
卷積的填充默認為 「same」
torchlayers池化層的使用（和Keras 相似，全局最大池化）
https://github.com/szymonmaszke/torchlayers#simple-image-and-text-classifier-in-oneimport torch import torchlayers as tl # torch.nn and torchlayers can be mixed easily model = torch.nn.Sequential( tl.Conv(64), # specify ONLY out_channels torch.nn.ReLU(), # use torch.nn wherever you wish tl.BatchNorm(), # BatchNormNd inferred from input tl.Conv(128), # Default kernel_size equal to 3 tl.ReLU(), tl.Conv(256, kernel_size=11), # "same" padding as default tl.GlobalMaxPool(), # Known from Keras tl.Linear(10), # Output for 10 classes ) 當指定輸入形狀後（對於上面定義好的模型，圖像和文本分類的輸入形狀如下所示）：我們可以用 torchlayers.build（連結：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=build#torchlayers.build）來構建一個已經定義好的網絡。# Image... mnist_model = tl.build(model, torch.randn(1, 3, 28, 28)) # ...or text # [batch, embedding, timesteps], first dimension > 1 for BatchNorm1d to work text_model = tl.build(model, torch.randn(2, 300, 1)) build與Keras中的工作機制類似，相當於將模型編譯為PyTorch原語。它通過post_build 函數提供了一些附加功能（例如權重初始化，如下所示），你可以從這個網頁了解更多（連結：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=build#torchlayers.build）。class _MyModuleImpl(torch.nn.Linear): def post_build(self): # You can do anything here really torch.nn.init.eye_(self.weights) torchlayers為使用PyTorch來實現類似Keras的模型構建提供了一些有用的功能，並填補了一個明顯的空白。時間會告訴我們長期來看該項目會如何發展，但這肯定是一個良好的開端。OpenAI is Adopting PyTorch... They Aren’t Alone
連結：https://www.kdnuggets.com/2020/01/openai-pytorch-adoption.html
Gentle Introduction to PyTorch 1.2
連結：https://www.kdnuggets.com/2019/09/gentle-introduction-pytorch-12.html
Tokenization and Text Data Preparation with TensorFlow & Keras
連結：https://www.kdnuggets.com/2020/03/tensorflow-keras-tokenization-text-data-prep.html
原文標題：
Build PyTorch Models Easily Using torchlayers
原文連結：
https://www.kdnuggets.com/2020/04/pytorch-models-torchlayers.html
如您想與我們保持交流探討、持續獲得數據科學領域相關動態，包括大數據技術類、行業前沿應用、講座論壇活動信息、各種活動福利等內容，敬請掃碼加入數據派THU粉絲交流群，紅數點恭候各位。王琦，中國科學院大學研一在讀，研究方向是機器學習與數據挖掘。喜歡探索新事物，是一個熱愛學習的人。
工作內容：需要一顆細緻的心，將選取好的外文文章翻譯成流暢的中文。如果你是數據科學/統計學/計算機類的留學生，或在海外從事相關工作，或對自己外語水平有信心的朋友歡迎加入翻譯小組。
你能得到：定期的翻譯培訓提高志願者的翻譯水平，提高對於數據科學前沿的認知，海外的朋友可以和國內技術應用發展保持聯繫，THU數據派產學研的背景為志願者帶來好的發展機遇。
其他福利：來自於名企的數據科學工作者，北大清華以及海外等名校學生他們都將成為你在翻譯小組的夥伴。
點擊文末「閱讀原文」加入數據派團隊~
轉載須知
如需轉載，請在開篇顯著位置註明作者和出處（轉自：數據派ID：DatapiTHU），並在文章結尾放置數據派醒目二維碼。有原創標識文章，請發送【文章名稱-待授權公眾號名稱及ID】至聯繫郵箱，申請白名單授權並按要求編輯。發布後請將連結反饋至聯繫郵箱（見下方）。未經許可的轉載以及改編者，我們將依法追究其法律責任。點擊「閱讀原文」擁抱組織