快捷方式

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。

转到示例

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。

转到示例

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。

转到示例

训练 ImageNet 分类器

此示例演示了如何在 ImageNet 数据集上训练一些最受欢迎的模型架构,包括 ResNetAlexNetVGG

转到示例

生成对抗网络(DCGAN)

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。

转到示例

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。

转到示例

HOGWILD! 共享卷积网络的训练

HOGWILD! 是一种允许随机梯度下降(SGD)并行化而无需内存锁定的方案。此示例演示了如何在 MNIST 上执行 HOGWILD! 共享卷积网络的训练。

转到示例

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。

转到示例

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。

转到示例

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。

转到示例

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

转到示例

分布式 PyTorch

这一系列示例演示了 分布式数据并行(DDP)分布式 RPC 框架。包括了《DDP 教程系列》中使用的代码。

转到示例

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。

转到示例

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。

转到示例

图卷积网络

文档

访问全面的 PyTorch 开发者文档

查看文档

教程

为初学者和高级开发者提供深入的教程

查看教程

资源

查找开发资源并让您的问题得到解答

查看资源