PyTorch Hub发布获Yann LeCun强推！一行代码调用经典模型

AI科技大本营

发布于 2019-06-20 16:17:06

4360

发布于 2019-06-20 16:17:06

文章被收录于专栏：AI科技大本营的专栏AI科技大本营的专栏

作者 | Team PyTorch

译者 | Monanfei

责编 | 夕颜

出品 | AI科技大本营（ID: rgznai100）

导读：6月11日，Facebook PyTorch 团队推出了全新 API PyTorch Hub，提供模型的基本构建模块，用于提高机器学习研究的模型复现性。PyTorch Hub 包含一个经过预训练的模型库，内置对Colab的支持，而且能够与Papers With Code 集成。另外重要的一点是，它的整个工作流程大大简化。

简化到什么程度呢？Facebook 首席 AI 科学家Yann LeCun 兼图灵奖图灵奖得主Yann LeCun发表 Twitter强烈推荐，使用PyTorch Hub，无论是ResNet、BERT、GPT、VGG、PGAN 还是 MobileNet 等经典模型，只需输入一行代码，就能实现一键调用。

Twitter 一发，立刻引来众多网友评论点赞，并有网友表示希望看到PyTorch Hub 与TensorFlow Hub的区别。

这个模型聚合中心到底如何呢？我们来一探究竟。

模型复现是许多领域的基本要求，尤其是在与机器学习相关的邻域中。然而，许多机器学习相关的出版物，要么不可复现，要么难以复现。随着出版物数量的不断增长（包括在 arXiv 上发表的成数万篇论文，以及会议提交的大量论文），模型复现比以往任何时候都更加重要。虽然这些出版物大多数都包含代码和训练好的模型，但如果用户想复现这些模型，还需要做大量的额外的工作。

今天，我们很荣幸地宣布推出 PyTorch Hub，它是一个非常简单的API，并且具有极其简单的工作流程。它提供模型的基本构建模块，用于提高机器学习研究的模型复现性。PyTorch Hub 包含一个经过预训练的模型库，专门用于促进研究的可重复性和快速开展新的研究。PyTorch Hub 内置了对 Colab的支持，并且能够与 Papers With Code 集成。目前 PyTorch Hub 已包含一系列广泛的模型，包括分类器和分割器、生成器、变换器等。

【开发者】发布模型

通过添加简单 hubconf.py 文件，开发者能够将预训练的模型（模型定义和预训练的权重）发布到 GitHub 仓库中。该文件提供了所支持模型的枚举，以及运行这些模型的依赖环境列表。相关的例子可以参见 torchvision、 huggingface-bert 和 gan-model-zoo 仓库。

让我们看看最简单的例子：torchvision’s hubconf.py:

 1# Optional list of dependencies required by the package
 2dependencies = ['torch']
 3
 4from torchvision.models.alexnet import alexnet
 5from torchvision.models.densenet import densenet121, densenet169, densenet201, densenet161
 6from torchvision.models.inception import inception_v3
 7from torchvision.models.resnet import resnet18, resnet34, resnet50, resnet101, resnet152,\
 8resnext50_32x4d, resnext101_32x8d
 9from torchvision.models.squeezenet import squeezenet1_0, squeezenet1_1
10from torchvision.models.vgg import vgg11, vgg13, vgg16, vgg19, vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bn
11from torchvision.models.segmentation import fcn_resnet101, deeplabv3_resnet101
12from torchvision.models.googlenet import googlenet
13from torchvision.models.shufflenetv2 import shufflenet_v2_x0_5, shufflenet_v2_x1_0
14from torchvision.models.mobilenet import mobilenet_v2

在 torchvision 中，各模型具有如下性质：

每个模型文件都能作为函数调用，或者独立执行
除了 PyTorch 之外（在 hubconf.py 中编码为 dependencies['torch']），它们不需要任何其他包的支持
不需要单独的接入点，因为模型在创建时可以无缝地接入

PyTorch Hub 将包的依赖性降到了最小，当使用者加载模型并立即进行实验时，该特性能够提高用户体验。

接下来我们看一个较为复杂的例子：HuggingFace’s BERT 模型，下面是该模型的 hubconf.py：

 1dependencies = ['torch', 'tqdm', 'boto3', 'requests', 'regex']
 2
 3from hubconfs.bert_hubconf import (
 4    bertTokenizer,
 5    bertModel,
 6    bertForNextSentencePrediction,
 7    bertForPreTraining,
 8    bertForMaskedLM,
 9    bertForSequenceClassification,
10    bertForMultipleChoice,
11    bertForQuestionAnswering,
12    bertForTokenClassification
13)

每个模型都需要创建一个接入点，一下代码用于指定 bertForMaskedLM 模型的接入点，并返回预训练的模型权重。

1def bertForMaskedLM(*args, **kwargs):
2    """
3    BertForMaskedLM includes the BertModel Transformer followed by the
4    pre-trained masked language modeling head.
5    Example:
6      ...
7    """
8    model = BertForMaskedLM.from_pretrained(*args, **kwargs)
9    return model

这些接入点可以作为复杂模型的包装器，它们能够提供干净且一致的帮助文档字符串，支持使用者选择是否下载预训练权重（例如 pretrained=True），并且具有其它的特定功能，例如可视化。

创建好 hubconf.py 后，可以根据此模板发送 github 推送请求。PyTorch Hub 的目标是为研究复现提供高质量、易于重复、高效的模型。因此，我们可能会与开发者合作完善推送请求，并在某些情况下拒绝发布一些低质量的模型。一旦我们接受了开发者的推送请求，开发者的模型将很快出现在 Pytorch 中心网页上，从而供所有的用户浏览。

【用户】工作流程

作为用户，PyTorch Hub 提供非常简单的工作流程，用户只需要按照以下三个步骤执行即可：（1）探索有价值的模型；（2）加载模型；（3）了解任何给定模型的可用方法。接下来，让我们分别看看每个步骤。

探索可用的接入点

用户可以使用 torch.hub.list() 列出仓库中所有可用的接入点。

 1>>> torch.hub.list('pytorch/vision')
 2>>>
 3['alexnet',
 4'deeplabv3_resnet101',
 5'densenet121',
 6...
 7'vgg16',
 8'vgg16_bn',
 9'vgg19',
10 'vgg19_bn']

值得注意的是，PyTorch Hub 还允许辅助接入点（除了预训练模型）。例如，bertTokenizer 可以用于 BERT 模型中的预处理，这使得用户的工作流程更加顺畅。

加载模型

现在，我们已经知道了 Hub中可用的模型，那么用户便能够使用 torch.hub.load() 来加载模型接入点。该命令无需安装其他依赖包，此外，torch.hub.help() 提供了如何实例化模型的信息。

1print(torch.hub.help('pytorch/vision', 'deeplabv3_resnet101'))
2model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True)

由于开发者会不断修复 bug，改进模型，因此 PyTorch Hub 也提供了便捷的方法，使得用户可以非常容易地获取最新的更新：

1model = torch.hub.load(..., force_reload=True)

我们相信，这些功能可以让开发者更加专注于他们的研究，而不用为这些繁琐的事情浪费时间。同时，这能够确保用户享受最新的模型。

从另一个方面来看，对用户而言，稳定性是非常重要的。因此，一些开发者会在其他分支上推送稳定的模型，而不是在 mater 分支上推送，这样能够保证代码的稳定性。例如，pytorch_GAN_zoo 在 hub 分支上提供稳定的版本。

1model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub', 'DCGAN', pretrained=True, useGPU=False)

请注意，hub.load() 中的 *args 和 **kwargs 用于实例化模型。在上面的例子中，pretrained=True 以及 useGPU=False 会被传递给模型的接入点。

探索加载的模型

从PyTorch Hub加载模型后，用户可以使用下面的工作流程找出模型的可用方法，并更好地了解运行该模型所需的参数。

dir(model) 用于查看模型的所有可用方法。接下来，让我们看看 bertForMaskedLM 可用的方法。

1>>> dir(model)
2>>>
3['forward'
4...
5'to'
6'state_dict',
7]

help(model.forward) 用于展示模型运行所需的参数

1>>> help(model.forward)
2>>>
3Help on method forward in module pytorch_pretrained_bert.modeling:
4forward(input_ids, token_type_ids=None, attention_mask=None, masked_lm_labels=None)
5...

在 BERT 和 DeepLabV3 页面中，用户可以详细了解这些模型的使用方法。