文章來源：量子位
原文地址：https://mp.weixin.qq.com/s/lS3YiXzYyY6-XNTFyH_GHg
如有興趣可以**點擊加入極市CV專業(yè)微信群**，獲取更多高質(zhì)量干貨

為了調(diào)用各種經(jīng)典機器學習模型，今后你不必重復(fù)造輪子了。

剛剛，Facebook宣布推出PyTorch Hub，一個包含計算機視覺、自然語言處理領(lǐng)域的諸多經(jīng)典模型的聚合中心，讓你調(diào)用起來更方便。

有多方便？

圖靈獎得主Yann LeCun強烈推薦，無論是ResNet、BERT、GPT、VGG、PGAN還是MobileNet等經(jīng)典模型，只需輸入一行代碼，就能實現(xiàn)一鍵調(diào)用。

厲不厲害！

Facebook官方博客表示，PyTorch Hub是一個簡易API和工作流程，為復(fù)現(xiàn)研究提供了基本構(gòu)建模塊，包含預(yù)訓練模型庫。

并且，PyTorch Hub還支持Colab，能與論文代碼結(jié)合網(wǎng)站Papers With Code集成，用于更廣泛的研究。

發(fā)布首日已有18個模型“入駐”，獲得英偉達官方力挺。而且Facebook還鼓勵論文發(fā)布者把自己的模型發(fā)布到這里來，讓PyTorch Hub越來越強大。

這個新工具一下子把不少程序員“圈了粉”。

短短幾個小時，LeCun的推文就收獲了上千條贊，網(wǎng)友好評如潮，花式稱贊“Nice”“Great”“Wow”。

前Google Brain員工@mat kelcey調(diào)侃說，“Hub”這個詞是機器學習模型項目的共享詞么？TensorFlow Hub前腳到，PyTorch Hub就來了~

網(wǎng)友@lgor Brigadir跟評說，可能是從GitHub開始流行的。

所以，這個一問世就引發(fā)大批關(guān)注的PyTorch Hub，具體有哪些功能，該怎么用？來看看。

一行代碼就導(dǎo)入

PyTorch Hub的使用簡單到不能再簡單，不需要下載模型，只用了一個torch.hub.load()就完成了對圖像分類模型AlexNet的調(diào)用。

import torch model = torch.hub.load('pytorch/vision', 'alexnet', pretrained=True) model.eval()

試看效果如何，可一鍵進入Google Colab運行。

具體怎么用，Facebook分別給用戶和發(fā)布者提供了指南。

對于用戶

PyTorch Hub允許用戶對已發(fā)布的模型執(zhí)行以下操作：

1、查詢可用的模型;
2、加載模型;
3、查詢模型中可用的方法。

下面讓我們來看看每個應(yīng)用的實例。

1、查詢可用的模型
用戶可以使用torch.hub.list()這個API列出repo中所有可用的入口點。比如你想知道PyTorch Hub中有哪些可用的計算機視覺模型：

>>> torch.hub.list('pytorch/vision') >>> ['alexnet', 'deeplabv3_resnet101', 'densenet121', ... 'vgg16', 'vgg16_bn', 'vgg19','vgg19_bn']
2、加載模型

在上一步中能看到所有可用的計算機視覺模型，如果想調(diào)用其中的一個，也不必安裝，只需一句話就能加載模型。

model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True)

至于如何獲得此模型的詳細幫助信息，可以使用下面的API：

print(torch.hub.help('pytorch/vision', 'deeplabv3_resnet101'))

如果模型的發(fā)布者后續(xù)加入錯誤修復(fù)和性能改進，用戶也可以非常簡單地獲取更新，確保自己用到的是最新版本：

model = torch.hub.load(..., force_reload=True)

對于另外一部分用戶來說，穩(wěn)定性更加重要，他們有時候需要調(diào)用特定分支的代碼。例如pytorch_GAN_zoo的hub分支：

model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub', 'DCGAN', pretrained=True, useGPU=False)
3、查看模型可用方法

從PyTorch Hub加載模型后，你可以用dir(model)查看模型的所有可用方法。以bertForMaskedLM模型為例：

>>> dir(model) >>> ['forward' ... 'to' 'state_dict', ]

如果你對forward方法感興趣，使用help(model.forward) 了解運行運行該方法所需的參數(shù)。

>>> help(model.forward) >>> Help on method forward in module pytorch_pretrained_bert.modeling: forward(input_ids, token_type_ids=None, attention_mask=None, masked_lm_labels=None) ...
PyTorch Hub中提供的模型也支持Colab。

進入每個模型的介紹頁面后，你不僅可以看到GitHub代碼頁的入口，甚至可以一鍵進入Colab運行模型Demo。

對于模型發(fā)布者

如果你希望把自己的模型發(fā)布到PyTorch Hub上供所有用戶使用，可以去PyTorch Hub的GitHub頁發(fā)送拉取請求。若你的模型符合高質(zhì)量、易重復(fù)、最有利的要求，Facebook官方將會與你合作。

一旦拉取請求被接受，你的模型將很快出現(xiàn)在PyTorch Hub官方網(wǎng)頁上，供所有用戶瀏覽。

目前該網(wǎng)站上已經(jīng)有18個提交的模型，英偉達率先提供支持，他們在PyTorch Hub已經(jīng)發(fā)布了Tacotron2和WaveGlow兩個TTS模型。

發(fā)布模型的方法也是比較簡單的，開發(fā)者只需在自己的GitHub存儲庫中添加一個簡單的hubconf.py文件，在其中枚舉運行模型所需的依賴項列表即可。

比如，torchvision中的hubconf.py文件是這樣的：

# Optional list of dependencies required by the package dependencies = ['torch']from torchvision.models.alexnet import alexnet from torchvision.models.densenet import densenet121, densenet169, densenet201, densenet161 from torchvision.models.inception import inception_v3 from torchvision.models.resnet import resnet18, resnet34, resnet50, resnet101, resnet152,\ resnext50_32x4d, resnext101_32x8d from torchvision.models.squeezenet import squeezenet1_0, squeezenet1_1 from torchvision.models.vgg import vgg11, vgg13, vgg16, vgg19, vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bn from torchvision.models.segmentation import fcn_resnet101, deeplabv3_resnet101 from torchvision.models.googlenet import googlenet from torchvision.models.shufflenetv2 import shufflenet_v2_x0_5, shufflenet_v2_x1_0 from torchvision.models.mobilenet import mobilenet_v2
Facebook官方向模型發(fā)布者提出了以下三點要求：

1、每個模型文件都可以獨立運行和執(zhí)行
2、不需要PyTorch以外的任何包
3、不需要單獨的入口點，讓模型在創(chuàng)建時可以無縫地開箱即用

Facebook還建議發(fā)布者最小化對包的依賴性，減少用戶加載模型進行實驗的阻力。

支持公開代碼，從頂會做起

就在PyTorch Hub上線的同時，學術(shù)會議ICML 2019也開始在加州長灘舉行。

和Facebook的理念相似，今年的ICML大會，首次鼓勵研究人員提交代碼以證明論文結(jié)果，增加了論文可重復(fù)性作為評審考察的因素，

也就是說，開放代碼更容易讓你的論文通過評審。

此前，挪威科技大學計算機科學家Odd Erik Gundersen調(diào)查后發(fā)現(xiàn)，過去幾年在兩個AI頂會上提出的400種算法中，只有6％的研究有公開代碼。這就讓長江后浪的直接調(diào)用非常困難了。

ICML的政策也是順應(yīng)了不少研究人員的心聲，這個政策施行的效果還不錯。

據(jù)ICML 2019大會協(xié)同主席Kamalika Chaudhuri等人進行的統(tǒng)計顯示，今年大約36％的提交論文和67％的已接受論文都共享了代碼。

其中，來自學術(shù)界的研究人員的貢獻熱情比產(chǎn)業(yè)界高得多，學術(shù)界提交的作品中有90％的研究包含代碼，而產(chǎn)業(yè)界只有27.4％。

與之相比，NeurIPS 2018的已接收論文中，只有不到一半的論文附上了代碼。


總之，對于AI領(lǐng)域的長遠發(fā)展來說，這是個大好現(xiàn)象~

傳送門

官方介紹博客：
https://pytorch.org/blog/towards-reproducible-research-with-pytorch-hub/

測試版PyTorch Hub：
https://pytorch.org/hub

PyTorch Hub的GitHub主頁：
https://github.com/pytorch/hub

總結(jié)

以上是生活随笔為你收集整理的PyTorch Hub发布！一行代码调用最潮模型，图灵奖得主强推的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。