注意： 我们要迁移到 PyTorch Lightning！关于此次迁移的详情请阅读此处。从 2 月底开始，torchbearer 将不再积极维护。我们将继续修复发现的错误，并确保 torchbearer 能在新版本的 PyTorch 上运行。但是，我们不会计划或实现任何新功能（如果您希望在训练库中看到某些功能，请考虑在 PyTorch Lightning 上创建一个问题 (Issue)）。

网站 • 文档 • 示例 • 安装 • 引用 • 相关

一个专为从事深度学习 (Deep Learning) 或可微编程 (Differentiable Programming) 的研究人员（或任何人）设计的 PyTorch 模型训练库。具体来说，我们的目标是大幅减少您需要编写的样板代码 (Boilerplate Code) 量，同时不限制 PyTorch 的功能性和开放性。

示例

通用

	快速入门： 使用 torchbearer 快速上手，在 CIFAR-10 上训练一个简单的 CNN（卷积神经网络）。
	回调函数： 深入探索 torchbearer 中的回调函数，包含一些有用的可视化效果。
	图像可视化： 深入探索 torchbearer 中的 imaging 子包，用于在训练期间显示可视化内容。
序列化： 本指南介绍了如何在 torchbearer 中序列化和重启训练。
历史记录与重放： 本指南介绍了由 trial 返回的历史记录以及重放训练的功能。
自定义数据加载器： 本指南介绍了如何在 torchbearer 中运行自定义数据加载器。
数据并行： 本指南介绍了如何在 torchbearer 中使用 DataParallel。
	LiveLossPlot： 展示 torchbearer 中包含的 LiveLossPlot 回调功能。
	PyCM： 展示 torchbearer 中包含的 PyCM 回调功能，用于生成混淆矩阵。
NVIDIA Apex： 本指南展示如何使用 NVIDIA Apex 在 torchbearer 中进行半精度和混合精度训练。

深度学习

	训练 VAE： 演示如何使用 torchbearer 在 MNIST 上训练（并进行简单可视化）变分自编码器 (VAE)。
	训练 GAN： 演示如何使用 torchbearer 在 MNIST 上训练（并进行简单可视化）生成对抗网络 (GAN)。
	生成对抗样本： 演示如何使用 torchbearer 执行简单的对抗攻击。
	使用 Torchbearer 进行迁移学习： 演示如何使用 torchbearer 在 STL10 上进行迁移学习。
	Torchbearer 中的正则化器： 演示如何使用 torchbearer 中所有的内置正则化器（Mixup、CutOut、CutMix、Random Erase、Label Smoothing 和 Sample Pairing）。
流形 Mixup： 演示如何在 Torchbearer 中使用 Manifold Mixup 回调函数。
	类别外观模型： 演示 torchbearer 中的类别外观模型 (CAM) 回调函数。

可微编程

	函数优化： 一个示例（以及一些有趣的可视化），展示如何使用 torchbearer 通过梯度下降法针对参数优化函数。
	线性 SVM： 使用 torchbearer 训练线性支持向量机（SVM），并带有交互式可视化！
	打破 Adam： Adam 优化器并不总是收敛，在本例中，我们重新实现了 AMSGrad 论文中的一些函数优化方法，从实证角度展示了这一点。

安装

使用 pip 安装 torchbearer 是最简单的方法：

pip install torchbearer

或者，通过以下方式从源码构建：

pip install git+https://github.com/pytorchbearer/torchbearer

引用 Torchbearer

如果您发现 torchbearer 对您的研究有用，请考虑引用我们的预印本：Torchbearer: A Model Fitting Library for PyTorch，并使用以下 BibTeX 条目：

@article{torchbearer2018,
  author = {Ethan Harris and Matthew Painter and Jonathon Hare},
  title = {Torchbearer: A Model Fitting Library for PyTorch},
  journal  = {arXiv preprint arXiv:1809.03363},
  year = {2018}
}

相关资源

Torchbearer 并非训练 PyTorch 模型的唯一库。以下是其他一些可能更适合您需求的库（这绝非完整列表，更多请参考 awesome pytorch list 或 the incredible pytorch）：

• skorch，模型包装器，支持与 scikit-learn 配合使用 - 交叉验证（crossval）等非常有用
• PyToune，简单的 Keras 风格 API
• ignite，PyTorch 开发者提供的先进模型训练工具，高级功能（如 Tensorboard）可能需要较多代码
• TorchNetTwo (TNT)，使用可能较复杂但已成熟，某种程度上已被 ignite 取代
• Inferno，PyTorch 的训练工具和便利类
• Pytorch Lightning，基于 PyTorch 的轻量级包装器，支持高级多 GPU 和集群功能
• Pywick，高层训练框架，基于 torchsample，支持各种分割模型

torchbearer 快速上手指南

⚠️ 重要提示：该项目已迁移至 PyTorch Lightning。从 2 月底开始，torchbearer 将不再积极维护新功能（仅修复 Bug）。如果您需要新的训练功能，建议在 PyTorch Lightning 上创建 Issue 或直接使用其替代方案。

1. 环境准备

本工具专为深度学习及可微编程研究人员设计，旨在减少 PyTorch 的样板代码。请确保满足以下版本要求：

• Python: 2.7 或 3.5 - 3.7
• PyTorch: 1.0.0 - 1.4.0
• 依赖: 需预先安装 PyTorch 及其对应版本的 CUDA 支持（如适用）。

2. 安装步骤

推荐使用国内镜像源加速下载：

pip install torchbearer -i https://pypi.tuna.tsinghua.edu.cn/simple

若需指定特定版本的 PyTorch，请先通过 pip install torch==1.x.x 安装对应版本。

3. 基本使用

torchbearer 的核心概念是 Trial，它封装了训练循环、回调和指标计算。以下是一个最简化的使用流程示例：

from torchbearer import Trial, Model, Metrics
import torch.nn as nn
import torch.optim as optim

# 1. 定义模型和数据加载器
model = nn.Sequential(...) 
optimizer = optim.Adam(model.parameters())
loss_fn = nn.CrossEntropyLoss()
train_loader = ... 

# 2. 初始化 Trial
trial = Trial(model, optimizer, loss_fn, metrics=[Metrics.Accuracy()])

# 3. 运行训练
trial.run(epochs=10)

更多示例

完整的快速入门代码（包含 CIFAR-10 数据集上的 CNN 训练）请参考官方 Notebook：

• Quickstart Notebook (GitHub)
• Quickstart Notebook (Colab)

其他高级功能（如 Callbacks、Imaging、History 等）详见文档链接：ReadTheDocs