PyTorch 示例¶
此页面列出了您可以使用 PyTorch 示例来学习和试验 PyTorch。
使用卷积神经网络进行图像分类
此示例演示了如何在 MNIST 数据库上使用 卷积神经网络(CNN) 进行图像分类。
使用 Siamese 网络衡量相似性
此示例演示了如何在 MNIST 数据库上使用 Siamese 网络 衡量两个图像之间的相似性。
使用 RNN 和 Transformer 进行单词级语言建模
此示例演示了如何通过使用 Wikitext-2 数据集,在语言建模任务上训练多层 循环神经网络(RNN),例如 Elman、GRU 或 LSTM,或 Transformer。
生成对抗网络(DCGAN)
此示例实现了 《基于深度卷积生成对抗网络实现无监督表示学习》 论文。
变分自编码器
此示例实现了 《Auto-Encoding Variational Bayes》 论文,使用了 ReLUs 和 Adam 优化器。
使用高效子像素 CNN 进行超分辨率
此示例演示了如何在 《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》 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。
在 OpenAI Gym 中使用 actor-critic 训练 CartPole 来实现平衡
本强化学习教程演示了如何使用 Actor-Critic 方法在 OpenAI Gym 工具包中训练 CartPole 来实现平衡。
时间序列预测
此入门示例演示了如何使用 LSTMCell 学习正弦波信号,以预测未来信号值。
在图像上实现神经风格迁移算法
本教程演示了如何在图像上使用 PyTorch 实现的 神经风格迁移(NST) 算法。
使用 fx 进行 PyTorch 模块转换
这一系列示例演示了 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
这一系列示例演示了 分布式数据并行(DDP) 和 分布式 RPC 框架。包括了《DDP 教程系列》中使用的代码。
C++ 前端
PyTorch C++ 前端是一个用于 CPU 和 GPU 张量计算的 C++14 库。这一系列示例包括线性回归、autograd、图像识别(MNIST)以及使用 PyTorch C++ 前端 的其他有用示例。
使用前馈算法进行图像分类
此示例实现了 Geoffrey Hinton 的论文 《前馈算法:初步研究》。在 MNIST 数据库上。它是前馈算法的入门示例。
图卷积网络
此示例实现了 CORA 数据库上的 《Semi-Supervised Classification with Graph Convolutional Networks》 论文。