PyTorch Hub发布！一行代码调用最潮模型，图灵奖得主强推

极市正在推出CVPR2019的专题直播分享会，邀请CVPR2019的论文作者进行线上直播，分享优秀的科研工作和技术干货，也欢迎各位小伙伴自荐或推荐优秀的CVPR论文作者到极市进行技术分享~

本周四（6月13日）晚，浙江大学硕士研究生董峻廷，将为我们分享：多视角下多人三维姿态估计（CVPR2019，已开源），公众号回复“44”即可获取直播详情。

晓查 安妮 发自 凹非寺
量子位 出品 | 公众号 QbitAI

为了调用各种经典机器学习模型，今后你不必重复造轮子了。

刚刚，Facebook宣布推出PyTorch Hub，一个包含计算机视觉、自然语言处理领域的诸多经典模型的聚合中心，让你调用起来更方便。

有多方便？

图灵奖得主Yann LeCun强烈推荐，无论是ResNet、BERT、GPT、VGG、PGAN还是MobileNet等经典模型，只需输入一行代码，就能实现一键调用。

厉不厉害！

Facebook官方博客表示，PyTorch Hub是一个简易API和工作流程，为复现研究提供了基本构建模块，包含预训练模型库。

并且，PyTorch Hub还支持Colab，能与论文代码结合网站Papers With Code集成，用于更广泛的研究。

发布首日已有18个模型“入驻”，获得英伟达官方力挺。而且Facebook还鼓励论文发布者把自己的模型发布到这里来，让PyTorch Hub越来越强大。

这个新工具一下子把不少程序员“圈了粉”。

短短几个小时，LeCun的推文就收获了上千条赞，网友好评如潮，花式称赞“Nice”“Great”“Wow”。

前Google Brain员工@mat kelcey调侃说，“Hub”这个词是机器学习模型项目的共享词么？TensorFlow Hub前脚到，PyTorch Hub就来了~

网友@lgor Brigadir跟评说，可能是从GitHub开始流行的。

所以，这个一问世就引发大批关注的PyTorch Hub，具体有哪些功能，该怎么用？来看看。

一行代码就导入

PyTorch Hub的使用简单到不能再简单，不需要下载模型，只用了一个torch.hub.load()就完成了对图像分类模型AlexNet的调用。

import torchmodel = torch.hub.load('pytorch/vision', 'alexnet', pretrained=True)model.eval()

试看效果如何，可一键进入Google Colab运行。

具体怎么用，Facebook分别给用户和发布者提供了指南。

对于用户

PyTorch Hub允许用户对已发布的模型执行以下操作：

1、查询可用的模型;
2、加载模型;
3、查询模型中可用的方法。

下面让我们来看看每个应用的实例。

1、查询可用的模型

用户可以使用torch.hub.list()这个API列出repo中所有可用的入口点。比如你想知道PyTorch Hub中有哪些可用的计算机视觉模型：

>>> torch.hub.list('pytorch/vision')>>>['alexnet','deeplabv3_resnet101','densenet121',...'vgg16','vgg16_bn','vgg19', 'vgg19_bn']

2、加载模型

在上一步中能看到所有可用的计算机视觉模型，如果想调用其中的一个，也不必安装，只需一句话就能加载模型。

model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True)

至于如何获得此模型的详细帮助信息，可以使用下面的API：

print(torch.hub.help('pytorch/vision', 'deeplabv3_resnet101'))

如果模型的发布者后续加入错误修复和性能改进，用户也可以非常简单地获取更新，确保自己用到的是最新版本：

model = torch.hub.load(..., force_reload=True)

对于另外一部分用户来说，稳定性更加重要，他们有时候需要调用特定分支的代码。例如pytorch_GAN_zoo的hub分支：

model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub', 'DCGAN', pretrained=True, useGPU=False)

3、查看模型可用方法

从PyTorch Hub加载模型后，你可以用dir(model)查看模型的所有可用方法。以bertForMaskedLM模型为例：

>>> dir(model)>>>['forward'...'to''state_dict',]

如果你对forward方法感兴趣，使用help(model.forward) 了解运行运行该方法所需的参数。

>>> help(model.forward)>>>Help on method forward in module pytorch_pretrained_bert.modeling:forward(input_ids, token_type_ids=None, attention_mask=None, masked_lm_labels=None)...

PyTorch Hub中提供的模型也支持Colab。

进入每个模型的介绍页面后，你不仅可以看到GitHub代码页的入口，甚至可以一键进入Colab运行模型Demo。

对于模型发布者

如果你希望把自己的模型发布到PyTorch Hub上供所有用户使用，可以去PyTorch Hub的GitHub页发送拉取请求。若你的模型符合高质量、易重复、最有利的要求，Facebook官方将会与你合作。

一旦拉取请求被接受，你的模型将很快出现在PyTorch Hub官方网页上，供所有用户浏览。

目前该网站上已经有18个提交的模型，英伟达率先提供支持，他们在PyTorch Hub已经发布了Tacotron2和WaveGlow两个TTS模型。

发布模型的方法也是比较简单的，开发者只需在自己的GitHub存储库中添加一个简单的hubconf.py文件，在其中枚举运行模型所需的依赖项列表即可。

比如，torchvision中的hubconf.py文件是这样的：

# Optional list of dependencies required by the packagedependencies = ['torch']
from torchvision.models.alexnet import alexnetfrom torchvision.models.densenet import densenet121, densenet169, densenet201, densenet161from torchvision.models.inception import inception_v3from torchvision.models.resnet import resnet18, resnet34, resnet50, resnet101, resnet152,\resnext50_32x4d, resnext101_32x8dfrom torchvision.models.squeezenet import squeezenet1_0, squeezenet1_1from torchvision.models.vgg import vgg11, vgg13, vgg16, vgg19, vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bnfrom torchvision.models.segmentation import fcn_resnet101, deeplabv3_resnet101from torchvision.models.googlenet import googlenetfrom torchvision.models.shufflenetv2 import shufflenet_v2_x0_5, shufflenet_v2_x1_0from torchvision.models.mobilenet import mobilenet_v2

Facebook官方向模型发布者提出了以下三点要求：

1、每个模型文件都可以独立运行和执行
2、不需要PyTorch以外的任何包
3、不需要单独的入口点，让模型在创建时可以无缝地开箱即用

Facebook还建议发布者最小化对包的依赖性，减少用户加载模型进行实验的阻力。

支持公开代码，从顶会做起

就在PyTorch Hub上线的同时，学术会议ICML 2019也开始在加州长滩举行。

和Facebook的理念相似，今年的ICML大会，首次鼓励研究人员提交代码以证明论文结果，增加了论文可重复性作为评审考察的因素，

也就是说，开放代码更容易让你的论文通过评审。

此前，挪威科技大学计算机科学家Odd Erik Gundersen调查后发现，过去几年在两个AI顶会上提出的400种算法中，只有6％的研究有公开代码。这就让长江后浪的直接调用非常困难了。

ICML的政策也是顺应了不少研究人员的心声，这个政策施行的效果还不错。

据ICML 2019大会协同主席Kamalika Chaudhuri等人进行的统计显示，今年大约36％的提交论文和67％的已接受论文都共享了代码。

其中，来自学术界的研究人员的贡献热情比产业界高得多，学术界提交的作品中有90％的研究包含代码，而产业界只有27.4％。

与之相比，NeurIPS 2018的已接收论文中，只有不到一半的论文附上了代码。

总之，对于AI领域的长远发展来说，这是个大好现象~

传送门

官方介绍博客：
https://pytorch.org/blog/towards-reproducible-research-with-pytorch-hub/

测试版PyTorch Hub：
https://pytorch.org/hub

PyTorch Hub的GitHub主页：
https://github.com/pytorch/hub

*延伸阅读

---

点击左下角“阅读原文”，即可申请加入极市目标跟踪、目标检测、工业检测、人脸方向、视觉竞赛等技术交流群，更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流，一起来让思想之光照的更远吧~

觉得有用麻烦给个在看啦~