PyTorch最佳实践，怎样才能写出一手风格优美的代码

固然这是一个非官方的 PyTorch 指南，但本文总结了一年多行使 PyTorch 框架的履历，尤其是用它开拓深度进修相干事变的最优办理方案。请留意，我们分享的履历大多是从研究和实践角度出发的。

这是一个开拓的项目，接待其余读者改造该文档：

https://github.com/IgorSusmelj/pytorch-styleguide。

本文档首要由三个部门组成：起首，本文会扼要盘点 Python 中的最好设备。接着，本文会先容一些行使 PyTorch 的能力和提议。最后，我们分享了一些行使其余框架的看法和履历，这些框架凡是辅佐我们改造事变流。

一、盘点 Python 设备

1. 提议行使 Python 3.6 以上版本

按照我们的履历，我们保举行使 Python 3.6 以上的版本，由于它们具有以下特征，这些特征可以使我们很轻易写出简捷的代码：

• 自 Python 3.6 往后支持「typing」模块
• 自 Python 3.6 往后支持名目化字符串(f string)

2. Python 气魄威风凛凛指南

我们试图遵循 Google 的 Python 编程气魄威风凛凛。请参阅 Google 提供的优越的 python 编码气魄威风凛凛指南：

地点：https://github.com/google/styleguide/blob/gh-pages/pyguide.md。

在这里，我们会给出一个最常用定名类型小结：

3. 集成开拓情形

一样平常来说，我们提议行使 visual studio 或 PyCharm 这样的集成开拓情形。而 VS Code 在相对轻量级的编辑器中提供语法高亮和自动补全成果，PyCharm 则拥有很多用于处理赏罚长途集群使命的高级特征。

4. Jupyter Notebooks VS Python 剧本

一样平常来说，我们提议行使 Jupyter Notebook 举办起源的试探，或实行新的模子和代码。假如你想在更大的数据集上实习该模子，就应该行使 Python 剧本，由于在更大的数据集上，复现性越发重要。

我们保举你采纳下面的事变流程：

• 在开始的阶段，行使 Jupyter Notebook
• 对数据和模子举办试探
• 在 notebook 的单位中构建你的类/要领
• 将代码移植到 Python 剧本中
• 在处事器上实习/陈设

5. 开拓常备库

常用的措施库有：

6. 文件组织

不要将全部的层和模子放在统一个文件中。最好的做法是将最终的收集疏散到独立的文件(networks.py)中，并将层、丧失函数以及各类操纵生涯在各自的文件中(layers.py，losses.py，ops.py)。最终获得的模子(由一个或多个收集构成)应该用该模子的名称定名(譬喻，yolov3.py，DCGAN.py)，且引用各个模块。

主措施、单独的实习和测试剧本应该只必要导入带有模子名字的 Python 文件。

二、PyTorch 开拓气魄威风凛凛与能力

我们提议将收集解析为更小的可复用的片断。一个 nn.Module 收集包括各类操纵或其余构建模块。丧失函数也是包括在 nn.Module 内，因此它们可以被直接整合到收集中。

担任 nn.Module 的类必需拥有一个「forward」要领，它实现了各个层或操纵的前向传导。

一个 nn.module 可以通过「self.net(input)」处理赏罚输入数据。在这里直接行使了工具的「call()」要领将输入数据转达给模块。

output = self.net(input) 

1. PyTorch 情形下的一个简朴收集

行使下面的模式可以实现具有单个输入和输出的简朴收集：

class ConvBlock(nn.Module): 
    def __init__(self): 
        super(ConvBlock, self).__init__() 
        block = [nn.Conv2d(...)] 
        block += [nn.ReLU()] 
        block += [nn.BatchNorm2d(...)] 
        self.block = nn.Sequential(*block) 
 
    def forward(self, x): 
        return self.block(x) 
 
class SimpleNetwork(nn.Module): 
    def __init__(self, num_resnet_blocks=6): 
        super(SimpleNetwork, self).__init__() 
        # here we add the individual layers 
        layers = [ConvBlock(...)] 
        for i in range(num_resnet_blocks): 
            layers += [ResBlock(...)] 
        self.net = nn.Sequential(*layers) 
 
    def forward(self, x): 
        return self.net(x) 

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!