PyTorch 示例

https://pytorch.org/examples/

pytorch/examples 是一个展示如何使用 PyTorch 的示例仓库。其目标是提供经过精心挑选、简短且依赖较少（或无依赖）的高质量示例，这些示例彼此之间差异显著，便于你在现有工作中进行模仿和应用。

• 教程：https://github.com/pytorch/tutorials
• 对 pytorch.org 的更改：https://github.com/pytorch/pytorch.github.io
• 通用模型中心：https://pytorch.org/hub/ 或 https://huggingface.co/models
• 关于如何在生产环境中运行 PyTorch 的指南：https://github.com/facebookresearch/recipes
• 通用问答与支持：https://discuss.pytorch.org/

可用模型

• 使用卷积神经网络进行图像分类（MNIST 数据集）
• 基于 RNN 和 Transformer 的词级语言建模
• 使用流行网络训练 ImageNet 分类器
• 生成对抗网络（DCGAN）
• 变分自编码器
• 使用高效的亚像素卷积神经网络进行超分辨率重建
• 在 MNIST 数据集上跨多个进程进行 Hogwild 训练的共享卷积神经网络
• 使用演员-评论家算法训练 CartPole 平衡杆
• 结合 GloVe 向量、LSTM 和 torchtext 进行自然语言推理（SNLI）
• 时间序列预测——使用 LSTM 学习正弦波
• 在图像上实现神经风格迁移算法
• 在 OpenAI Gym 环境中使用演员-评论家和 REINFORCE 算法进行强化学习
• 使用 fx 实现 PyTorch 模块转换
• 分布式 PyTorch 示例，包括 分布式数据并行 和 RPC
• 若干展示 C++ 前端的示例
• 使用前向-前向算法进行图像分类
• 使用 Transformer 进行语言翻译

此外，还有一些优秀的示例托管在各自的仓库中：

• 使用带注意力机制的序列到序列 RNN 进行神经机器翻译（OpenNMT）

贡献

如果你希望贡献自己的示例或修复 bug，请务必查看 CONTRIBUTING.md 文件。

PyTorch Examples 快速上手指南

pytorch/examples 是 PyTorch 官方维护的高质量示例代码库，涵盖了图像分类、语言模型、生成对抗网络（GAN）、强化学习等多个领域。本指南将帮助你快速搭建环境并运行示例。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python: 3.8 或更高版本
• PyTorch: 最新稳定版（建议 2.0+）
• 依赖管理: 推荐使用 conda 或 pip

前置依赖安装：

建议使用国内镜像源加速安装过程。

# 使用 pip 安装 PyTorch (CUDA 11.8 版本示例，其他版本请访问 pytorch.org 查询)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 或者使用 conda (推荐)
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

安装步骤

1. 克隆仓库 从 GitHub 克隆 pytorch/examples 仓库到本地。如果访问 GitHub 较慢，可使用国内镜像（如 Gitee 镜像，若有）或直接克隆后配置代理。

   git clone https://github.com/pytorch/examples.git
   cd examples
   

2. 安装特定示例的依赖 每个示例文件夹下通常包含独立的 requirements.txt。以经典的 MNIST 图像分类 为例：

   cd mnist
   pip install -r requirements.txt
   

   注意：不同示例所需的依赖可能不同，请进入对应示例目录后安装其专属依赖。

基本使用

以下以 MNIST 手写数字识别 为例，展示如何运行一个简单的训练流程。

1. 进入示例目录

   cd examples/mnist
   

2. 运行训练脚本 执行 main.py 开始训练。默认情况下，脚本会自动下载 MNIST 数据集并进行训练。

   python main.py
   

   常用参数示例：

   • 使用 CUDA 加速：

     python main.py --cuda
     

   • 修改批次大小（Batch Size）和学习率：

     python main.py --batch-size 64 --lr 0.01
     

   • 启用干跑模式（不更新权重，用于调试数据加载）：

     python main.py --dry-run
     

3. 查看其他示例 你可以切换到其他目录运行不同的模型，例如生成对抗网络（DCGAN）：

   cd ../dcgan
   pip install -r requirements.txt
   python main.py --dataset lsun --dataroot /path/to/lsun --cuda
   

更多模型的详细用法和参数说明，请参阅各子目录下的 README.md 文件。