本文约1200字，建议阅读5分钟
本文介绍了torchlayers。torchlayers 旨在做Keras为TensorFlow所做的事情，它提供了更高级的模型构建的API和一些方便的默认值以及附加功能，这些功能对构建PyTorch神经网络很有用。通过在线搜索的趋势判断（链接：https://trends.google.com/trends/explore?date=today%205-y&geo=US&q=%2Fg%2F11gd3905v1），PyTorch继续受到人们的普遍关注，更重要的是，PyTorch的使用率在不断提高（链接：https://www.kdnuggets.com/2020/01/openai-pytorch-adoption.html）。PyTorch被认为具有强大而灵活的特点，这些特点让其受到了研究者的欢迎。然而，PyTorch过去因缺乏简化的高级API（例如TensorFlow的Keras） 常常受到从业者的批评。但是这种情况最近已经改变了。
torchlayers（见下面链接） 旨在为PyTorch做Keras给TensorFlow所做的事情。这个项目的开发者简洁地定义了它：torchlayers是一个基于PyTorch的库，提供了torch.nn层的形状和维度的自动推断以及当前最好的网络结构（例如Efficient-Net）中的构建块。附链接：
https://github.com/szymonmaszke/torchlayers
与Keras中的操作类似，上述的操作不需要用户干预（除了调用一次torchlayers.build）。除了上面提到的形状和维度的推断，torchlayers 还包括其他类似Keras的层，例如 torchlayers.Reshape（在改变输入张量形状的同时，保留了批量的维度，见下面链接1），包括之前在 ImageNet 竞赛中见过的最好的层（比如 PloyNet，见下面链接2）。此外，它还提供了一些有用的默认值，例如卷积核的大小（torchlayers的默认值是3）。链接1：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=reshape#torchlayers.Reshape链接2：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.convolution.html?highlight=polynet#torchlayers.convolution.Polypip install --user torchlayers
其他的安装信息（关于Docker 镜像和GPU）可从这里获取（链接：https://szymonmaszke.github.io/torchlayers/#installation）。完整的torchlayers文档可这里获取（链接：https://szymonmaszke.github.io/torchlayers/）。torchlayers 的GitHub 主页提供了一些例子来展示它的一些功能。我喜欢这个图像和文本分类二合一的例子（见下面链接）！我在下面附上了代码，这例子展示了：torch.nn 和 torchlayers 层的混合使用
形状和维度推断（卷积、线性输入和BatchNorm）
默认的卷积核v大小
卷积的填充默认为 “same”
torchlayers池化层的使用（和Keras 相似，全局最大池化）
https://github.com/szymonmaszke/torchlayers#simple-image-and-text-classifier-in-oneimport torch
import torchlayers as tl
# torch.nn and torchlayers can be mixed easily
model = torch.nn.Sequential(
tl.Conv(64), # specify ONLY out_channels
torch.nn.ReLU(), # use torch.nn wherever you wish
tl.BatchNorm(), # BatchNormNd inferred from input
tl.Conv(128), # Default kernel_size equal to 3
tl.ReLU(),
tl.Conv(256, kernel_size=11), # "same" padding as default
tl.GlobalMaxPool(), # Known from Keras
tl.Linear(10), # Output for 10 classes
)
当指定输入形状后（对于上面定义好的模型，图像和文本分类的输入形状如下所示）：我们可以用 torchlayers.build（链接：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=build#torchlayers.build）来构建一个已经定义好的网络。# Image...
mnist_model = tl.build(model, torch.randn(1, 3, 28, 28))
# ...or text
# [batch, embedding, timesteps], first dimension > 1 for BatchNorm1d to work
text_model = tl.build(model, torch.randn(2, 300, 1))
build与Keras中的工作机制类似，相当于将模型编译为PyTorch原语。它通过post_build 函数提供了一些附加功能（例如权重初始化，如下所示），你可以从这个网页了解更多（链接：https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=build#torchlayers.build）。class _MyModuleImpl(torch.nn.Linear):
def post_build(self):
# You can do anything here really
torch.nn.init.eye_(self.weights)
torchlayers为使用PyTorch来实现类似Keras的模型构建提供了一些有用的功能，并填补了一个明显的空白。时间会告诉我们长期来看该项目会如何发展，但这肯定是一个良好的开端。OpenAI is Adopting PyTorch... They Aren’t Alone
链接：https://www.kdnuggets.com/2020/01/openai-pytorch-adoption.html
Gentle Introduction to PyTorch 1.2
链接：https://www.kdnuggets.com/2019/09/gentle-introduction-pytorch-12.html
Tokenization and Text Data Preparation with TensorFlow & Keras
链接：https://www.kdnuggets.com/2020/03/tensorflow-keras-tokenization-text-data-prep.html
原文标题：
Build PyTorch Models Easily Using torchlayers
原文链接：
https://www.kdnuggets.com/2020/04/pytorch-models-torchlayers.html
如您想与我们保持交流探讨、持续获得数据科学领域相关动态，包括大数据技术类、行业前沿应用、讲座论坛活动信息、各种活动福利等内容，敬请扫码加入数据派THU粉丝交流群，红数点恭候各位。
王琦，中国科学院大学研一在读，研究方向是机器学习与数据挖掘。喜欢探索新事物，是一个热爱学习的人。
工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。
你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。
其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。
点击文末“阅读原文”加入数据派团队~
转载须知
如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：DatapiTHU），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。
点击“阅读原文”拥抱组织
