选自Github
作者:巴拉瑟斯
机器心脏编译
Machine Heart找到了一个很棒的PyTorch资源列表，里面包含了很多库、教程和例子、论文实现等与PyTorch相关的资源。在这篇文章中，机器之心介绍了所有的资源，感兴趣的同学可以收集和查阅。
项目地址:https://github.com/bharathgs/Awesome-pytorch-list
列表结构:
NLP和语音处理计算机视觉概率/生成库其他库教程和示例论文实现PyTorch的其他项目
自然语言处理和语音处理
部分项目涉及语音识别、多说话人语音处理、机器翻译、共指解析、情感分类、单词嵌入/表示、语音生成、文语转换、视觉问答等任务。其中一些是特定论文的PyTorch再现，一些具有更广泛任务的库、工具集和框架也包含在内。
这些项目很多都是官方实施的，大部分都是公平的。一般都有系统的说明，包括安装、加载、培训、测试、演示等详细说明。例如，哈佛大学的OpenNMT项目是一个非常流行的神经机器翻译工具包。从导入自定义数据集，加载单词嵌入向量，到训练神经机器翻译模型，OpenNMT可以全程支持，目前已经正式更新。
1.py火炬文本:与火炬文本相关的内容。
项目地址:https://github.com/pytorch/text
2.PyTorch-seq2seq:在PyTorch中实现序列对序列模型的框架。
项目地址:https://github.com/IBM/pytorch-seq2seq
3.Anuvada:在pytorch中实现的可解释的NLP模型。
项目地址:https://github.com/Sandeep42/anuvada
4.音频:Pytorch的简单音频I/O。
项目地址:https://github.com/pytorch/audio
5 .循环:一种用于生成多个说话者声音的方法。
项目地址:https://github.com/facebookresearch/loop
6.fairseq-py:由脸书人工智能研究所提出的用Python编写的序列对序列工具集。
项目地址:https://github.com/facebookresearch/fairseq-py
7.演讲:pytorch ASR实现。
项目地址:https://github.com/awni/speech
8.OpenNMT-py:开源PyTorch神经机器翻译。
项目地址:https://github.com/OpenNMT/OpenNMT-py
9.neuralcoref:目前基于神经网络和spaCy的最佳共参照分辨率。
项目地址:https://github.com/huggingface/neuralcoref
10 .情感发现:用于鲁棒情感分类的大规模无监督语言建模。
项目地址:https://github.com/NVIDIA/sentiment-discovery
11.MUSE:多语言非监督/监督单词向量库。
项目地址:https://github.com/facebookresearch/MUSE
12.PYTORCH神经机器翻译框架。
项目地址:https://github.com/lium-lst/nmtpytorch
13.pytorch-WaveNet:快速语音生成WaveNet的实现。
项目地址:https://github.com/vincentherrmann/pytorch-wavenet
14.Tacotron-PyTorch:端到端语音合成的PyTorch实现。
项目地址:https://github.com/soobinseo/Tacotron-pytorch
15.AllenNLP:开源NLP研究库，基于PyTorch。
项目地址:https://github.com/allenai/allennlp
16.py torch _ NLP:py torch pytorchnlp . readthedocs . io的文本实用程序和数据集。
项目地址:https://github.com/PetrochukM/PyTorch-NLP
17.quick_nlp:基于FastAI的PyTorch NLP库。
项目地址:https://github.com/outcastofmusic/quick-nlp
18.TTS的深度学习实现:Text2Speech。
项目地址:https://github.com/mozilla/TTS
19.LASER: PyTorch实现与语言无关的句子表示。
项目地址:https://github.com/facebookresearch/LASER
20.pyannote-audio:说话人跟踪的神经积木:语音激活检测、说话人变化检测和说话人嵌入。
项目地址:https://github.com/pyannote/pyannote-audio
计算机视觉
项目的一部分涉及神经风格转移、图像分类、人脸对齐、语义分割、RoI计算、图像增强等任务。还有一些特殊的CNN架构，比如5号、6号、13号项目，以及一些预训练模型的集合。第四个项目可以用来比较你定制的图像分类模型和当前最好的模型，从而快速知道你的项目是否有前途。作者开玩笑地称这个项目为“黑仔项目”。
1.pytorch vision:计算机视觉领域的数据集、变换和模型。
项目地址:https://github.com/pytorch/vision
2.PT风格迁移:pytorch实现的神经分段迁移，作为一个类。
项目地址:https://github.com/tymokvo/pt-styletransfer
3.OpenFacePyTorch:使用OpenFace的nn4.small2.v1.t7模型的PyTorch模块。
项目地址:https://github.com/thnkim/OpenFacePytorch
4.img_classification_pk_pytorch：快速对比你的图像分类模型和当前最佳模型。4.img _ classification _ pk _ pytorch:快速比较你的图像分类模型和当前最好的模型。
项目地址：https://github.com/felixgwu/img_classification_pk_pytorch项目地址:https://github.com/felixgwu/img_classification_pk_pytorch
5.稀疏卷积网络:子流形的稀疏卷积网络。
项目地址:https://github.com/facebookresearch/SparseConvNet
6.卷积_LSTM_pytorch:多层卷积LSTM模块。
项目地址:https://github.com/automan000/Convolution_LSTM_pytorch
7 .人脸对齐:基于PyTorch的2D和三维人脸对齐库。
项目地址:https://github.com/1adrianb/face-alignment
8.语义分割:语义分割的PyTorch实现。
项目地址:https://github.com/ZijunDeng/pytorch-semantic-segmentation
9.这是RoIAlign的PyTorch版本。该实现基于crop_and_resize，支持CPU和GPU上的前向传播和后向传播。
项目地址:https://github.com/longcw/RoIAlign.pytorch
10.py torch-CNN-fine tune:py torch实现的微调预训练卷积神经网络。
项目地址:https://github.com/creafz/pytorch-cnn-finetune
1.探测器ch:py torch实现的探测器图像分割模型。
项目地址:https://github.com/ignacio-rocco/detectorch
12.增强器:Python图像增强库。
项目地址:https://github.com/mdbloice/Augmentor
13.s2cnn:这个库包含了球形信号的SO等变cnn的PyTorch实现。
项目地址:https://github.com/jonas-koehler/s2cnn
概率/世代库
部分项目主要涉及概率规划、统计推理和生成模型。
1.概率规划和统计推理。
项目地址:https://github.com/stepelu/ptstat
2.pyro:基于PyTorch和Python的深度全局概率规划。
项目地址:https://github.com/uber/pyro
3.Probtorch:概率torch是深度生成模型的PyTorch扩展库。
项目地址:https://github.com/probtorch/probtorch
4.paysage:Python/py torch中的无监督学习和生成模型。
项目地址:https://github.com/drckf/paysage
5.Pyvarinf: Python包，方便在PyTorch中使用变分推理执行贝叶斯深度学习方法。
项目地址:https://github.com/ctallec/pyvarinf
6.pyprob:基于PyTorch的概率规划推理编译库。
项目地址:https://github.com/probprog/pyprob
7.mia:对机器学习模型运行成员推理攻击的库。
项目地址:https://github.com/spring-epfl/mia
教程和示例
这部分包含了很多PyTorch教程，里面不仅有官方教程和例子，还包含了很多开发者在学习过程中的经验和理解。在难度方面，他们首先介绍了如何入门PyTorch这一框架，并展示了使用MNIST等简单数据集建立模型的一般方法，非常适合初学者入门机器学习。其次，会有一些练习和样本脚本。这些资源可以帮助更好地理解机器学习和PyTorch框架。最后一部分是一些具体任务和模型架构的实现，比如基于ImageNet的incidence _ v3或者ResNet_50的实现。
这里值得注意的是PyTorch的官方教程。基本上初学者只要按照官方教程来就可以了。它们非常丰富和具体。PyTorch的教程真的很完美。不仅从基础介绍、计算机视觉、文本处理、模型生成、产品部署等方面全面涵盖了DL的应用范围。同时，每个教程不仅讲解了模型原理，还注释了大部分代码。边肖觉得PyTorch比TensorFlow的教程解释更具体。PyTorch的介绍主题如下:
1.实用Pytorch:解释不同RNN模型的教程。
地址:https://github.com/spro/practical-pytorch
2.DeepLearningForNLPInPytorch:基于IPython笔记本的深度学习教程，专注于自然语言处理。
地址:https://github.com/rguthrie3/DeepLearningForNLPInPytorch
3.pytorch-tutorial:面向研究人员的pytorch深度学习教程。
地址:https://github.com/yunjey/pytorch-tutorial
4.pytorch-练习:py torch练习。
地址:https://github.com/keon/pytorch-exercises
5.pytorch教程:各种官方pytorch教程。
地址:https://github.com/pytorch/tutorials
6.pytorch示例:一个通过示例展示如何使用pytorch的项目。
地址:https://github.com/pytorch/examples
7.PyTorch实践:pytorch脚本的一些例子。
地址:https://github.com/napsternxg/pytorch-practice
8.pytorch迷你教程:基于亚历克·拉德福德的《Theano教程》的极简主义教程。
地址:https://github.com/vinhkhuc/PyTorch-Mini-Tutorials
9.pytorch文本分类:基于文本分类任务的简单CNN实现。
地址:https://github.com/xiayandi/Pytorch_text_classification
10 .猫vs狗:kaggle比赛中使用的模型狗vs猫Redux。该解决方案目前排名第27位。
地址:https://github.com/desimone/pytorch-cat-vs-dogs
11.convnet:在各种数据集上使用深度卷积神经网络的完整示例。
地址:https://github.com/eladhoffer/convNet.pytorch
12.pytorch生成攻击网络:生成对抗网络的简单实现。
地址:https://github . com/mailmahee/py torch-generative-expirative-networks
13.PyTorch中的T-SNE:基于pytorch实现了t-分布随机邻居嵌入。
地址:https://github.com/cemoody/topicsne
14.AAE_pytorch:反对自我编码器。
地址:https://github.com/fducau/AAE_pytorch
15.kind _ py torch _ Tutorial:py torch的简易入门教程。
地址:https://github.com/GunhoChoi/Kind_PyTorch_Tutorial
16 . py torch-poem-gen:在角色层面实现RNN模型。
地址:https://github.com/justdark/pytorch-poetry-gen
17.PyTorch-reinforcer:增强器的PyTorch实现，支持OpenAI gym中的连续和离散环境。
地址:https://github.com/JamesChuanggg/pytorch-REINFORCE
18.py torch-教程:快速入门，建立神经网络。
地址:https://github.com/MorvanZhou/PyTorch-Tutorial
pytorch-intro:一些显示如何执行卷积神经网络和循环神经网络的脚本。
地址:https://github.com/joansj/pytorch-intro
论文实现
最近，弗兰肯斯坦和其他开发人员攀升并统计了ICLR在2019年提交的提到不同框架的论文数量。其中，TensorFlow的论文从2018年的228篇小幅增加到266篇，Keras从42篇增加到56篇，但Pytorch的数量从87篇增加到252篇。从这里可以看出PyTorch在研究中的应用非常广泛，很多研究论文都采用PyTorch作为首选框架。
因为动态计算图形的方便，很多原本用TensorFlow实现的论文都有PyTorch的复制版，比如跟车高速公路网，多人实时姿态估计等。还有更多的论文最初是由PyTorch实现的，包括DiscoGAN、AnimeGAN和TCN等。这部分包含273篇论文，但由于篇幅限制，我们只展示前20个项目。读者可以参考原始项目获得更多信息。
1.google_evolution:该项目实现了Esteban Real等人完成的图像分类器大规模进化结果。
地址:https://github.com/neuralix/google_evolution
2.pyscatwave:由CuPy/PyTorch实现的快速散射变换。
地址:https://github.com/edouardoyallon/pyscatwave
3 .缩放散射:实现论文“缩放散射变换:深度混合网络”
地址:https://github.com/edouardoyallon/scalingscattering
4.深度自动标点:pytorch实现了字符级的自动标点模型。
地址:https://github.com/episodeyang/deep-auto-punctuation
5.实时_多人_姿势_估计:GitHub项目PyTorch版实时_多人_姿势_估计。
地址:https://github.com/tensorboy/pytorch _实时_多人_姿势_估计
6.价值迭代网络:价值迭代网络的PyTorch实现。
地址:https://github . com/onlytailei/py torch-value-iteration-networks
7.PyTorch_Highway:基于PyTorch的高速公路网。
地址:https://github.com/analvikingur/pytorch_Highway
8.pytorch_NEG_loss:实现NEG损失函数。
地址:https://github.com/analvikingur/pytorch_NEG_loss
9.pytorch_RVAE:实现生成序列数据的循环变分自编码器。
地址:https://github.com/analvikingur/pytorch_RVAE
10.pytorch_TDNN:延时神经网络的实现。
地址:https://github.com/analvikingur/pytorch_TDNN
11.伊芙。py torch:eve优化器的实现，在《imp loving historical gradient descent with feedback》一文中提出。
地址:https://github.com/moskomule/eve.pytorch
12.e2e-model-learning:基于任务的端到端模型学习。
地址:https://github.com/locuslab/e2e-model-learning
13.pix2pix-pytorch:利用条件对抗网络实现图像到图像的转换。
地址:https://github.com/mrzhu-cool/pix2pix-pytorch
14.单次多盒检测器:PyTorch实现单次多盒检测器。
地址:https://github.com/amdegroot/ssd.pytorch
15.disco gan:py torch实现的论文“学习发现与生成敌对网络的跨领域关系”
地址:https://github.com/carpedm20/DiscoGAN-pytorch
16.官方disco gan实现:《学习用生成式高级网络发现跨域关系》论文的官方实现。
地址:https://github.com/SKTBrain/DiscoGAN
17.PyTorch-es:进化策略的PyTorch实现。
地址:https://github.com/atgambardella/pytorch-es
18.piwise:基于VOC2012数据集实现逐像素分割。
地址:https://github.com/bodokaiser/piwise
19.pytorch-dqn:实现深度q学习。
地址:https://github.com/transedward/pytorch-dqn
20.neuraltalk2-pytorch:实现图像描述模型，其中CNN可以根据任务进行微调。
地址:https://github.com/ruotianluo/neuraltalk2.pytorch
其他PyTorch项目
这一部分主要介绍PyTorch的其他资源，包括教程论文列表，个人学习经验和实践，以及简单易用的PyTorch插件。相对于其他部分，这部分比较分散，但是有些项目还是很有意思的。比如在PyTorch项目模板中，介绍了用来构建PyTorch项目的一般结构，包括文件夹和文件结构，每个文件的编写规范和示例等。这个项目一直在更新，下图是构建PyTorch项目的一般文件结构:
1.the-incredible-pytorch:包含pytorch的各种教程、论文、项目和社区的项目。
地址:https://github.com/ritchieng/the-incredible-pytorch
2 .生成模型:收集TensorFlow、Keras、PyTorch的生成模型，即甘、。
地址:https://github.com/wiseodd/generative-models)
3.PyTorch vs TensorFlow:Reddit上py torch和tensor flow的比较。
地址:https://github.com/wiseodd/generative-models
4.Pytorch论坛。
地址:https://discuss.pytorch.org/
5.pytorch笔记本:docker-stack:类似于Jupyter笔记本的项目。
地址:https://hub.docker.com/r/escong/pytorch-notebook/
6.drawlikebobross:使用神经网络进行图像风格传递。
地址:https://github.com/kendricktan/drawlikebobross
7.Pytorch-TV Misc: Pytorch个人实施项目。
地址:https://github.com/t-vi/pytorch-tvmisc
8.pytorch-a3c-mujoco:在mujoco健身房环境下实施a3c项目。
地址:https://github.com/andrewliao11/pytorch-a3c-mujoco
9.PyTorch_ChatBot:使用PyTorch实现聊天机器人。
地址:https://github.com/jinfagang/pytorch_chatbot
10.sketchnet:输入图像，生成处理源代码，然后可以生成修改后的图像。
地址:https://github.com/jtoy/sketchnet
11.深度学习训练营:非盈利公司，为期5天的深度学习训练营。
地址:https://github.com/QuantScientist/Deep-Learning-Boot-Camp
12.Amazon _ Forest _ Computer _ Vision:使用PyTorch或者Keras的卫星图片标注代码，里面有很多PyTorch的技能。
地址:https://github.com/mratsim/Amazon_Forest_Computer_Vision
13.AlphaZero_Gomoku:五子棋AlphaZero算法的实现。
地址:https://github.com/junxiaosong/AlphaZero_Gomoku
14.pytorch-cv:目标检测、语义分割、手势识别的实现项目。
地址:https://github.com/youansheng/pytorch-cv
15.deep-person-reid:深度人脸识别PyTorch实现项目。
地址:https://github.com/KaiyangZhou/deep-person-reid
16.pytorch模板:pytorch项目模板。
地址:https://github.com/victoresque/pytorch-template
17.用PyTorch教材深度学习:用Pytorch建立一个基于文本或视觉方面的神经网络指南。
地址:https://www . packtpub . com/big-data-and-business-intelligence/deep-learning-py torch
18.compare-tensorflow-pytorch:将tensorflow编写的模型与pytorch编写的模型进行比较。
地址:https://github.com/jalola/compare-tensorflow-pytorch
本文为机器之心整理，授权请联系本微信官方账号。
-
加入机器的心脏:hr@jiqizhixin.com
投稿或寻求报道:content@jiqizhixin.com
广告和商业合作:bd@jiqizhixin.com
免责声明：本平台仅供信息发布交流之途，请谨慎判断信息真伪。如遇虚假诈骗信息，请立即举报
举报
