---

本仓库包含使用 PyTorch 进行深度学习的基础与进阶示例。
基础部分包括逻辑回归、卷积神经网络、循环神经网络、LSTM等简单神经网络，仅用几行代码即可实现；进阶部分则涉及更为复杂的模型。
建议在开始之前先完成 PyTorch 官方教程。

持续更新中...

教程

如果您懂中文，可以在 博客 上获取系列教程。

PyTorch 示例目录

1. 基础

• Cbow
• N-Gram
• CNN 文本分类
• LSTM 文本分类

2. 强化学习

• AlphaGo-Zero
• Image-Cap
• 强化翻译
• Toy

3. 自然语言处理

• 诗歌 VAE-NLG
• Seq2seq
• BiLSTM CRF NER
• LSTM CNNs CRF
• 中文诗歌 NLG
• BiMPM
• Pair Ranking Cnn
• BiLSTM CRF
• 胶囊文本分类
• 基于检索的聊天机器人
• 用于摘要和分类的层次模型
• 深度 SRL
• BERT
• 关系网络
• 信息抽取
• 指针网络
• 共指消解

4. 计算机视觉

• yolo-v3
• DenseNet
• 神经风格迁移
• DC GAN
• 面部美观预测

5. 特殊内容

• 自定义

6. 语音处理

• 语音转换

快速入门

克隆代码

$ git clone git@github.com:ne7ermore/torch-light.git

训练

$ cd torch-light/project
$ python3 main.py

或者

$ cd torch-light/project
$ python3 corpus.py
$ python3 main.py

或者

$ cd torch-light/project
$ python3 corpus.py
$ python3 train.py

引用

如果您发现此代码对您的研究有所帮助，请引用：

@misc{TaoTorchLight,
  author = {Ne7ermore Tao},
  title = {torch-light},
  publisher = {GitHub},
  year = {2020},
  howpublished = {\url{https://github.com/ne7ermore/torch-light}}
}

联系方式

如有任何问题，欢迎随时联系我（Tao liaoyuanhuo1987@gmail.com）。 Tao Ne7ermore / @ne7ermore

依赖项

• Python 3.5
• PyTorch 0.2.0
• Numpy 1.13.1

torch-light 快速上手指南

torch-light 是一个基于 PyTorch 的深度学习示例集合，涵盖了从基础神经网络（如 CNN、RNN、LSTM）到高级模型（如 AlphaGo-Zero、BERT、YOLO-v3）的实现代码。本项目适合希望快速上手 PyTorch 实战的中国开发者。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：Python 3.5+
• 核心依赖：
  • PyTorch 0.2.0 (注意：项目基于较旧版本，若使用新版 PyTorch 可能需要调整代码)
  • Numpy 1.13.1+
  • Git

提示：建议先完成 PyTorch 官方教程 的学习，以便更好地理解本项目的代码结构。国内用户可参考相关博客系列教程（见项目原文链接）。

安装步骤

1. 克隆项目代码

使用 Git 将仓库克隆到本地：

git clone git@github.com:ne7ermore/torch-light.git

(注：如果访问 GitHub 较慢，可使用国内镜像源或配置 Git 代理)

2. 安装依赖

进入项目目录并安装所需的 Python 库。由于项目依赖特定版本的 PyTorch，建议创建虚拟环境：

cd torch-light
pip3 install torch==0.2.0 numpy==1.13.1

(若需使用国内加速源安装，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数)

基本使用

本项目包含多个子项目（如 cbow, cnn-text-classfication, yolo-v3 等）。以下以通用的训练流程为例，展示如何运行一个示例项目。

假设我们要运行某个具体的示例项目（请将 project 替换为实际的项目文件夹名称，例如 cnn-text-classfication）：

方式一：直接运行主程序

如果项目不需要预处理数据，可直接运行：

cd torch-light/project
python3 main.py

方式二：先处理数据再训练

如果项目包含独立的数据预处理脚本，请按顺序执行：

cd torch-light/project
python3 corpus.py
python3 main.py

或者使用专门的训练脚本：

cd torch-light/project
python3 corpus.py
python3 train.py

探索更多示例

您可以根据需求进入不同的子目录尝试各类模型：

• 基础模型：cbow, ngram, cnn-text-classfication
• 强化学习：alpha-zero, gym
• 自然语言处理 (NLP)：seq2seq, BERT, biLSTM-CRF
• 计算机视觉：yolo-v3, DenseNet, dc-gan

只需进入对应文件夹，参照上述命令运行即可。