基于Pytorch的高效训练、数据增强和工具库

基于Pytorch的高效训练、数据增强和工具库

【免费下载链接】torchsample High-Level Training, Data Augmentation, and Utilities for Pytorch 项目地址: https://gitcode.com/gh_mirrors/to/torchsample

【最新版 v0.1.3】发布 - 包含重大改进、bug修复和更多支持。直接从releases获取或拉取master分支。

这个开源项目提供以下功能：

• 类似Keras的高阶模型训练模块，带回调函数、约束和正则化。
• 全面的数据增强、转换、采样和加载工具。
• 避免频繁依赖numpy的张量和变量实用功能。

有功能需求吗？ 提交问题！我将实现它。特别是关于数据增强、数据加载或采样函数的需求。

想要贡献吗？ 查看问题页面，寻找标记为“欢迎贡献”的任务。

模块训练器(ModuleTrainer)

ModuleTrainer类提供了高级训练接口，它可以隐藏训练循环，同时提供回调、约束、初始化器和更多功能。

示例代码：

from torchsample.modules import ModuleTrainer

# 定义你的模型，与平常一样
class Network(nn.Module):
    # ...定义层...

model = Network()
trainer = ModuleTrainer(model)

trainer.compile(loss='nll_loss', optimizer='adadelta')

trainer.fit(x_train, y_train, 
            val_data=(x_test, y_test), 
            num_epoch=20, 
            batch_size=128, 
            verbose=1)

此外，还有标准的评估和预测方法：

loss = model.evaluate(x_train, y_train)
y_pred = model.predict(x_train)

Torchsample提供了各种回调函数，模仿Keras中的接口：

• EarlyStopping
• ModelCheckpoint
• LearningRateScheduler
• ReduceLROnPlateau
• CSVLogger

以及正则化器：

• L1Regularizer
• L2Regularizer
• L1L2Regularizer

以及约束：

• UnitNorm
• MaxNorm
• NonNeg

两者都可以通过正则表达式和module_filter参数选择性地应用到特定层上。约束可以是硬约束（在任意批次或epoch频率中强制执行），也可以是软约束，即约束偏差作为损失总和的惩罚项。

实用工具函数

Torchsample还提供了一些不常见的实用函数：

• 张量函数，如th_iterproduct，th_gather_nd，th_random_choice等。
• 变量函数，如F_affine2d，F_map_coordinates2d等。

数据增强和数据集

该包提供了大量的数据增强和转换工具，可以在数据加载时应用。此外，还有灵活的TensorDataset和FolderDataset类来处理大多数数据集需求。

张量变换(Torch Transforms)

包括但不限于：

• Compose()
• AddChannel()
• SwapDims()
• RangeNormalize()
• StdNormalize()
• Slice2D()
• RandomCrop()
• SpecialCrop()
• Pad()
• RandomFlip()
• ToTensor()

平移变换(Affine Transforms)

例如：

• Rotate()
• Translate()
• Shear()
• Zoom()

以及用于组合多个平移变换的类Affine() 和 AffineCompose()。

数据集和采样

• TensorDataset()
• FolderDataset()

致谢

感谢所有贡献者和以下人员：

• 所有Keras贡献者
• @deallynomore
• @recastrodiaz

选择Torchsample，让您的Pytorch项目更高效，训练更简单，数据增强更丰富。立即开始您的深度学习之旅，体验这个强大而全面的库带来的便利吧！

【免费下载链接】torchsample High-Level Training, Data Augmentation, and Utilities for Pytorch 项目地址: https://gitcode.com/gh_mirrors/to/torchsample