PyTorch Hub發布！一行代碼調用最潮模型

曉查 安妮 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

為了調用各種經典機器學習模型，今後你不必重複造輪子了。

剛剛，Facebook宣布推出PyTorch Hub，一個包含計算機視覺、自然語言處理領域的諸多經典模型的聚合中心，讓你調用起來更方便。

有多方便？

圖靈獎得主Yann LeCun強烈推薦，無論是ResNet、BERT、GPT、VGG、PGAN還是MobileNet等經典模型，只需輸入一行代碼，就能實現一鍵調用。

厲不厲害！

Facebook官方部落格表示，PyTorch Hub是一個簡易API和工作流程，為複現研究提供了基本構建模塊，包含預訓練模型庫。

並且，PyTorch Hub還支持Colab，能與論文代碼結合網站Papers With Code集成，用於更廣泛的研究。

發布首日已有18個模型“入駐”，獲得NVIDIA官方力挺。而且Facebook還鼓勵論文發布者把自己的模型發布到這裡來，讓PyTorch Hub越來越強大。

這個新工具一下子把不少程序員“圈了粉”。

短短幾個小時，LeCun的推文就收獲了上千條讚，網友好評如潮，花式稱讚“Nice”“Great”“Wow”。

前Google Brain員工@mat kelcey調侃說，“Hub”這個詞是機器學習模型項目的共享詞麽？TensorFlow Hub前腳到，PyTorch Hub就來了~

網友@lgor Brigadir跟評說，可能是從GitHub開始流行的。

所以，這個一問世就引發大批關注的PyTorch Hub，具體有哪些功能，該怎麽用？來看看。

一行代碼就導入

試看效果如何，可一鍵進入Google Colab運行。

具體怎麽用，Facebook分別給用戶和發布者提供了指南。

對於用戶

PyTorch Hub允許用戶對已發布的模型執行以下操作：

1、查詢可用的模型;

2、加載模型;

3、查詢模型中可用的方法。

下面讓我們來看看每個應用的實例。

1、查詢可用的模型

2、加載模型

在上一步中能看到所有可用的計算機視覺模型，如果想調用其中的一個，也不必安裝，只需一句話就能加載模型。

至於如何獲得此模型的詳細幫助信息，可以使用下面的API：

如果模型的發布者後續加入錯誤修複和性能改進，用戶也可以非常簡單地獲取更新，確保自己用到的是最新版本：

對於另外一部分用戶來說，穩定性更加重要，他們有時候需要調用特定分支的代碼。例如pytorch_GAN_zoo的hub分支：

3、查看模型可用方法

從PyTorch Hub加載模型後，你可以用dir(model)查看模型的所有可用方法。以bertForMaskedLM模型為例：

如果你對forward方法感興趣，使用help(model.forward) 了解運行運行該方法所需的參數。

PyTorch Hub中提供的模型也支持Colab。

進入每個模型的介紹頁面後，你不僅可以看到GitHub代碼頁的入口，甚至可以一鍵進入Colab運行模型Demo。

對於模型發布者

如果你希望把自己的模型發布到PyTorch Hub上供所有用戶使用，可以去PyTorch Hub的GitHub頁發送拉取請求。若你的模型符合高質量、易重複、最有利的要求，Facebook官方將會與你合作。

一旦拉取請求被接受，你的模型將很快出現在PyTorch Hub官方網頁上，供所有用戶瀏覽。

目前該網站上已經有18個提交的模型，NVIDIA率先提供支持，他們在PyTorch Hub已經發布了Tacotron2和WaveGlow兩個TTS模型。

發布模型的方法也是比較簡單的，開發者只需在自己的GitHub存儲庫中添加一個簡單的hubconf.py文件，在其中枚舉運行模型所需的依賴項列表即可。

比如，torchvision中的hubconf.py文件是這樣的：

Facebook官方向模型發布者提出了以下三點要求：

1、每個模型文件都可以獨立運行和執行

2、不需要PyTorch以外的任何包

3、不需要單獨的入口點，讓模型在創建時可以無縫地開箱即用

Facebook還建議發布者最小化對包的依賴性，減少用戶加載模型進行實驗的阻力。

支持公開代碼，從頂會做起

就在PyTorch Hub上線的同時，學術會議ICML 2019也開始在加州長灘舉行。

和Facebook的理念相似，今年的ICML大會，首次鼓勵研究人員提交代碼以證明論文結果，增加了論文可重複性作為評審考察的因素，

也就是說，開放代碼更容易讓你的論文通過評審。

此前，挪威科技大學計算機科學家Odd Erik Gundersen調查後發現，過去幾年在兩個AI頂會上提出的400種算法中，只有6％的研究有公開代碼。這就讓長江後浪的直接調用非常困難了。

ICML的政策也是順應了不少研究人員的心聲，這個政策施行的效果還不錯。

據ICML 2019大會協同主席Kamalika Chaudhuri等人進行的統計顯示，今年大約36％的提交論文和67％的已接受論文都共享了代碼。

其中，來自學術界的研究人員的貢獻熱情比產業界高得多，學術界提交的作品中有90％的研究包含代碼，而產業界只有27.4％。

與之相比，NeurIPS 2018的已接收論文中，只有不到一半的論文附上了代碼。

總之，對於AI領域的長遠發展來說，這是個大好現象~

傳送門

官方介紹部落格：

https://pytorch.org/blog/towards-reproducible-research-with-pytorch-hub/

測試版PyTorch Hub：

https://pytorch.org/hub

PyTorch Hub的GitHub主頁：

https://github.com/pytorch/hub

—完—