PyTorch 示例¶
本页面列出了各种 PyTorch 示例，您可以使用它们来学习和试验 PyTorch。
使用卷积神经网络 (ConvNets) 进行图像分类
此示例演示了如何在 MNIST 数据集上使用 卷积神经网络 (ConvNets) 进行图像分类。
使用 Siamese 网络测量相似性
此示例演示了如何在 MNIST 数据集上使用 Siamese 网络测量两张图像之间的相似性。
使用 RNN 和 Transformer 进行单词级语言建模
此示例演示了如何使用 Wikitext-2 数据集，通过多层 循环神经网络 (RNN)（如 Elman、GRU 或 LSTM）或 Transformer 来进行语言建模任务的训练。
生成对抗网络 (DCGAN)
此示例实现了 《使用深度卷积生成对抗网络进行无监督表示学习》论文。
变分自编码器
此示例实现了 《自动编码变分贝叶斯》论文，使用了 ReLU 和 Adam 优化器。
使用高效子像素卷积神经网络进行超分辨率
此示例演示了如何使用 《使用高效子像素卷积神经网络进行实时单图像和视频超分辨率》论文中描述的子像素卷积层。此示例在 BSD300 数据集上训练超分辨率网络。
训练一个 CartPole 来保持平衡（使用 Actor-Critic）
此强化学习教程演示了如何使用 Actor-Critic 方法，在 Gymnasium 工具包中训练一个 CartPole 来保持平衡。
时间序列预测
这个初学者示例演示了如何使用 LSTMCell 来学习正弦波信号，以预测未来的信号值。
在图像上实现神经风格迁移算法
此教程演示了如何使用 PyTorch 的 神经风格迁移 (NST) 算法实现。
使用 fx 进行 PyTorch 模块转换
这组示例演示了 torch.fx 工具包。有关 torch.fx 的更多信息，请参阅 torch.fx 概述。
分布式 PyTorch
这组示例演示了 分布式数据并行 (DDP) 和 分布式 RPC 框架。包括用于 DDP 教程系列的代码。
C++ 前端
PyTorch C++ 前端是一个用于 CPU 和 GPU 张量计算的 C++14 库。这组示例包括线性回归、自动求导、图像识别 (MNIST) 以及使用 PyTorch C++ 前端的其他有用示例。
使用前向-前向算法进行图像分类
此示例实现了 Geoffrey Hinton 的论文 《前向-前向算法：一些初步研究》。在 MNIST 数据集上。这是前向-前向算法的入门示例。
图卷积网络
此示例在 CORA 数据集上实现了 《图卷积网络的半监督分类》论文。
