轉 Pytorch 教學資料

本文收集了大量PyTorch項目（備查）

轉自：https://blog.csdn.net/fuckliuwenl/article/details/80554182

目錄：

1. 入門系列教程
2. 入門實例
3. 圖像、視覺、CNN相關實現
4. 對抗生成網絡、生成模型、GAN相關實現
5. 機器翻譯、問答系統、NLP相關實現
6. 先進視覺推理系統
7. 深度強化學習相關實現
8. 通用神經網絡高級應用

入門系列教程

1. PyTorch Tutorials 
   https://github.com/MorvanZhou/PyTorch-Tutorial.git 
   著名的「莫煩」PyTorch系列教程的源碼。
2. Deep Learning with PyTorch: a 60-minute blitz 
   http://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html 
   PyTorch官網推薦的由網友提供的60分鐘教程，本系列教程的重點在於介紹PyTorch的基本原理，包括自動求導，神經網絡，以及偏差優化API。
3. Simple examples to introduce PyTorch 
   https://github.com/jcjohnson/pytorch-examples.git 
   由網友提供的PyTorch教程，經過一些實例的方式，講解PyTorch的基本原理。內容涉及Numpy、自動求導、參數優化、權重共享等。

入門實例

1. Ten minutes pyTorch Tutorial 
   https://github.com/SherlockLiao/pytorch-beginner.git 
   知乎上「十分鐘學習PyTorch「系列教程的源碼。
2. Official PyTorch Examples 
   https://github.com/pytorch/examples 
   官方提供的實例源碼，包括如下內容： 
   MNIST Convnets 
   Word level Language Modeling using LSTM RNNs 
   Training Imagenet Classifiers with Residual Networks 
   Generative Adversarial Networks (DCGAN) 
   Variational Auto-Encoders 
   Superresolution using an efficient sub-pixel convolutional neural network 
   Hogwild training of shared ConvNets across multiple processes on MNIST 
   Training a CartPole to balance in OpenAI Gym with actor-critic 
   Natural Language Inference (SNLI) with GloVe vectors, LSTMs, and torchtext 
   Time sequence prediction - create an LSTM to learn Sine waves
3. PyTorch Tutorial for Deep Learning Researchers 
   https://github.com/yunjey/pytorch-tutorial.git 
   聽說是提供給深度學習科研者們的PyTorch教程←_←。教程中的每一個實例的代碼都控制在30行左右，簡單易懂，內容以下： 
   PyTorch Basics 
   Linear Regression 
   Logistic Regression 
   Feedforward Neural Network 
   Convolutional Neural Network 
   Deep Residual Network 
   Recurrent Neural Network 
   Bidirectional Recurrent Neural Network 
   Language Model (RNN-LM) 
   Generative Adversarial Network 
   Image Captioning (CNN-RNN) 
   Deep Convolutional GAN (DCGAN) 
   Variational Auto-Encoder 
   Neural Style Transfer 
   TensorBoard in PyTorch
4. PyTorch-playground 
   https://github.com/aaron-xichen/pytorch-playground.git 
   PyTorch初學者的Playground，在這裏針對一下經常使用的數據集，已經寫好了一些模型，因此你們能夠直接拿過來玩玩看，目前支持如下數據集的模型。 
   mnist, svhn 
   cifar10, cifar100 
   stl10 
   alexnet 
   vgg16, vgg16_bn, vgg19, vgg19_bn 
   resnet18, resnet34, resnet50, resnet101, resnet152 
   squeezenet_v0, squeezenet_v1 
   inception_v3

圖像、視覺、CNN相關實現

1. PyTorch-FCN 
   https://github.com/wkentaro/pytorch-fcn.git 
   FCN(Fully Convolutional Networks implemented) 的PyTorch實現。
2. Attention Transfer 
   https://github.com/szagoruyko/attention-transfer.git 
   論文 「Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer」 的PyTorch實現。
3. Wide ResNet model in PyTorch 
   https://github.com/szagoruyko/functional-zoo.git 
   一個PyTorch實現的 ImageNet Classification 。
4. CRNN for image-based sequence recognition 
   https://github.com/bgshih/crnn.git 
   這個是 Convolutional Recurrent Neural Network (CRNN) 的 PyTorch 實現。CRNN 由一些CNN，RNN和CTC組成，經常使用於基於圖像的序列識別任務，例如場景文本識別和OCR。
5. Scaling the Scattering Transform: Deep Hybrid Networks 
   https://github.com/edouardoyallon/pyscatwave.git 
   使用了「scattering network」的CNN實現，特別的構架提高了網絡的效果。
6. Conditional Similarity Networks (CSNs) 
   https://github.com/andreasveit/conditional-similarity-networks.git 
   《Conditional Similarity Networks》的PyTorch實現。
7. Multi-style Generative Network for Real-time Transfer 
   https://github.com/zhanghang1989/PyTorch-Style-Transfer.git 
   MSG-Net 以及 Neural Style 的 PyTorch 實現。
8. Big batch training 
   https://github.com/eladhoffer/bigBatch.git 
   《Train longer, generalize better: closing the generalization gap in large batch training of neural networks》的 PyTorch 實現。
9. CortexNet 
   https://github.com/e-lab/pytorch-CortexNet.git 
   一個使用視頻訓練的魯棒預測深度神經網絡。
10. Neural Message Passing for Quantum Chemistry 
    https://github.com/priba/nmp_qc.git 
    論文《Neural Message Passing for Quantum Chemistry》的PyTorch實現，好像是講計算機視覺下的神經信息傳遞。

對抗生成網絡、生成模型、GAN相關實現

1. Generative Adversarial Networks (GANs) in PyTorch 
   https://github.com/devnag/pytorch-generative-adversarial-networks.git 
   一個很是簡單的由PyTorch實現的對抗生成網絡
2. DCGAN & WGAN with Pytorch 
   https://github.com/chenyuntc/pytorch-GAN.git 
   由中國網友實現的DCGAN和WGAN，代碼很簡潔。
3. Official Code for WGAN 
   https://github.com/martinarjovsky/WassersteinGAN.git 
   WGAN的官方PyTorch實現。
4. DiscoGAN in PyTorch 
   https://github.com/carpedm20/DiscoGAN-pytorch.git 
   《Learning to Discover Cross-Domain Relations with Generative Adversarial Networks》的 PyTorch 實現。
5. Adversarial Generator-Encoder Network 
   https://github.com/DmitryUlyanov/AGE.git 
   《Adversarial Generator-Encoder Networks》的 PyTorch 實現。
6. CycleGAN and pix2pix in PyTorch 
   https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git 
   圖到圖的翻譯，著名的 CycleGAN 以及 pix2pix 的PyTorch 實現。
7. Weight Normalized GAN 
   https://github.com/stormraiser/GAN-weight-norm.git 
   《On the Effects of Batch and Weight Normalization in Generative Adversarial Networks》的 PyTorch 實現。

機器翻譯、問答系統、NLP相關實現

1. DeepLearningForNLPInPytorch 
   https://github.com/rguthrie3/DeepLearningForNLPInPytorch.git 
   一套以 NLP 爲主題的 PyTorch 基礎教程。本教程使用Ipython Notebook編寫，看起來很直觀，方便學習。
2. Practial Pytorch with Topic RNN & NLP 
   https://github.com/spro/practical-pytorch 
   以 RNN for NLP 爲出發點的 PyTorch 基礎教程，分爲「RNNs for NLP」和「RNNs for timeseries data」兩個部分。
3. PyOpenNMT: Open-Source Neural Machine Translation 
   https://github.com/OpenNMT/OpenNMT-py.git 
   一套由PyTorch實現的機器翻譯系統。（包含，Attention Model）
4. Deal or No Deal? End-to-End Learning for Negotiation Dialogues 
   https://github.com/facebookresearch/end-to-end-negotiator.git 
   Facebook AI Research 論文《Deal or No Deal? End-to-End Learning for Negotiation Dialogues》的 PyTorch 實現。
5. Attention is all you need: A Pytorch Implementation 
   https://github.com/jadore801120/attention-is-all-you-need-pytorch.git 
   Google Research 著名論文《Attention is all you need》的PyTorch實現。Attention Model（AM）。
6. Improved Visual Semantic Embeddings 
   https://github.com/fartashf/vsepp.git 
   一種從圖像中檢索文字的方法，來自論文：《VSE++: Improved Visual-Semantic Embeddings》。
7. Reading Wikipedia to Answer Open-Domain Questions 
   https://github.com/facebookresearch/DrQA.git 
   一個開放領域問答系統DrQA的PyTorch實現。
8. Structured-Self-Attentive-Sentence-Embedding 
   https://github.com/ExplorerFreda/Structured-Self-Attentive-Sentence-Embedding.git 
   IBM 與 MILA 發表的《A Structured Self-Attentive Sentence Embedding》的開源實現。

先進視覺推理系統

1. Visual Question Answering in Pytorch 
   https://github.com/Cadene/vqa.pytorch.git 
   一個PyTorch實現的優秀視覺推理問答系統，是基於論文《MUTAN: Multimodal Tucker Fusion for Visual Question Answering》實現的。項目中有詳細的配置使用方法說明。
2. Clevr-IEP 
   https://github.com/facebookresearch/clevr-iep.git 
   Facebook Research 論文《Inferring and Executing Programs for Visual Reasoning》的PyTorch實現，講的是一個能夠基於圖片進行關係推理問答的網絡。

深度強化學習相關實現

1. Deep Reinforcement Learning withpytorch & visdom 
   https://github.com/onlytailei/pytorch-rl.git 
   多種使用PyTorch實現強化學習的方法。
2. Value Iteration Networks in PyTorch 
   https://github.com/onlytailei/Value-Iteration-Networks-PyTorch.git 
   Value Iteration Networks (VIN) 的PyTorch實現。
3. A3C in PyTorch 
   https://github.com/onlytailei/A3C-PyTorch.git 
   Adavantage async Actor-Critic (A3C) 的PyTorch實現。

通用神經網絡高級應用

 

 

1. PyTorch-meta-optimizer 
   https://github.com/ikostrikov/pytorch-meta-optimizer.git 
   論文《Learning to learn by gradient descent by gradient descent》的PyTorch實現。
2. OptNet: Differentiable Optimization as a Layer in Neural Networks 
   https://github.com/locuslab/optnet.git 
   論文《Differentiable Optimization as a Layer in Neural Networks》的PyTorch實現。
3. Task-based End-to-end Model Learning 
   https://github.com/locuslab/e2e-model-learning.git 
   論文《Task-based End-to-end Model Learning》的PyTorch實現。
4. DiracNets 
   https://github.com/szagoruyko/diracnets.git 
   不使用「Skip-Connections」而搭建特別深的神經網絡的方法。
5. ODIN: Out-of-Distribution Detector for Neural Networks 
   https://github.com/ShiyuLiang/odin-pytorch.git 
   這是一個可以檢測「分佈不足」（Out-of-Distribution)樣本的方法的PyTorch實現。當「true positive rate」爲95％時，該方法將DenseNet（適用於CIFAR-10）的「false positive rate」從34.7％降至4.3％。
6. Accelerate Neural Net Training by Progressively Freezing Layers 
   https://github.com/ajbrock/FreezeOut.git 
   一種使用「progressively freezing layers」來加速神經網絡訓練的方法。
7. Efficient_densenet_pytorch 
   https://github.com/gpleiss/efficient_densenet_pytorch.git DenseNets的PyTorch實現，優化以節省GPU內存。