（點擊上方快速關(guān)注并設(shè)置為星標(biāo)，一起學(xué)Python）
機器之心報道
編輯：陳萍
這里有 7 個技巧可以幫助你提高 PyTorch 技能。
PyTorch 是一種非常靈活的深度學(xué)習(xí)框架，它允許通過動態(tài)神經(jīng)網(wǎng)絡(luò)（例如利用動態(tài)控流——如 if 語句或 while 循環(huán)的網(wǎng)絡(luò)）進(jìn)行自動微分。它還支持 GPU 加速、分布式訓(xùn)練以及各類優(yōu)化任務(wù)，同時還擁有許多更簡潔的特性。
今年 3 月初，官方團(tuán)隊發(fā)布了 PyTorch 1.8 版本，整合了自去年 10 月 1.7 版本發(fā)布以來的 3000 多次 commit，并提供了編譯、代碼優(yōu)化、科學(xué)計算前端 API 方面的更新和新特性。值得一提的是，該版本還新增了對 AMD ROCm 的支持。長期以來，為了充分挖掘 PyTorch 的特性，研究人員也提出了各種各樣的小技巧，比如如何加快深度學(xué)習(xí)模型訓(xùn)練的使用、訓(xùn)練完模型以后如何保存模型、如何使用多卡訓(xùn)練以及如何在訓(xùn)練過程中讓學(xué)習(xí)率進(jìn)行衰減等。這些小技巧或多或少都可以提升 PyTorch 的使用效率。近日，reddit 出現(xiàn)了一個關(guān)于 PyTorch 使用技巧的帖子：「PyTorch 的七個實用技巧」，還提供了相關(guān)示例，引發(fā)網(wǎng)友熱議。
發(fā)帖人總結(jié)了 7 個有助于提升 PyTorch 使用技能的技巧。這些技巧都是發(fā)帖人經(jīng)常出錯或者忘記的內(nèi)容總結(jié)。此外，發(fā)帖人還在 Colab 上展示了一些應(yīng)用示例和視頻講解。1、在目標(biāo)設(shè)備上使用 device 參數(shù)直接創(chuàng)建 tensors；
2、使用 Sequential 層獲得更干凈的代碼；
3、不要列出層 list，因為不會被 nn.Module 類正確注冊。相反，應(yīng)該將 list 作為未打包的參數(shù)傳遞到 Sequential 層中；
4、PyTorch 為 distributions 提供了一些很棒的對象和函數(shù)，但它們在 torch.distribution 中沒有得到充分利用；
5、當(dāng)在兩個 epoch 之間存儲張量指標(biāo)時，確保調(diào)用. detach() 以避免內(nèi)存泄漏；
6、使用 torch.cuda.empty_cache() 清除 GPU 緩存，如果你想在使用 notebook 時刪除并重新創(chuàng)建一個大模型，這很有用；
7、在開始測試之前，不要忘了調(diào)用 model.eval()。
以下兩個示例分別為技巧 6 和技巧 7 的代碼示例：
技巧 7：在測試之前，調(diào)用 eval()。
上述 7 個 PyTorch 使用技巧，網(wǎng)友也給出了自己的評價。一位用戶評論道：「即使我用 PyTorch 工作了多年，現(xiàn)在我仍然忘記調(diào)用 eval()，我發(fā)誓?！?/span>
還有用戶表示：「為什么不使用 nn.Sequential？出于研究目的，我經(jīng)常需要檢查特定層的情況，例如，檢查權(quán)重、梯度、激活，甚至有條件地執(zhí)行一些代碼。在 nn.ModuleList 中執(zhí)行這些操作非常直觀，因為只需將所有層都像數(shù)組的元素一樣對待，然后使用 split 分割數(shù)組索引 [i:j]，這樣會更好。」
還有用戶表示：「謝謝分享，這些看起來非常有用。我通過復(fù)現(xiàn)工作中經(jīng)常使用的常見模型來深入了解 PyTorch，例如邏輯回歸、決策樹等。（但我們現(xiàn)在還沒有使用 DL 的示例。）你們了解 PyTorch 中關(guān)于 ML 的一些好的資源嗎，比如，你可以在 sklearn 中做的事情?」
最后，雖然發(fā)帖人強調(diào)了這 7 個技巧是 ta 自己經(jīng)常犯錯或者忘記的內(nèi)容。不過，這些技巧或許依然適用于你。Colab 示例地址：https://colab.research.google.com/drive/15vGzXs_ueoKL0jYpC4gr9BCTfWt935DC?usp=sharinghttps://www.reddit.com/user/SlickBlueML/
