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。
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。
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。
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。
介绍内容来自量子位
-
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。
-
从PyTorch Hub加载YOLOv5运行推理 教程：https://github.com/ultralytics/yolov5/issues/36 import torch # Model # model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n - yolov5x6, custom 加载官网训练好的模型
-
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 torch model = torch.hub.load('pytorch/vision', 'alexnet', pretrained=True) model.eval() 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
-
很长一段时间，核心NLP技术主要是机器学习方法，它们使用线性模型（如支持向量机或逻辑回归），通过非常高维但非常稀疏的特征向量进行训练。
-
主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习简介 自然语言学习初级 数学和机器学习知识补充 自然语言处理中级 自然语言处理专项领域学习 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes
-
深圳 一面挂 基础知识： 1、transformer的位置编码了解吗，有什么位置编码？ 2、注意力机制有哪些变种？ 3、tranformer的改进。 4、对其他推理有没有了解？ 场景题：给一个一千万的文档和一百万个词，在每个文档中匹配出存在的单词，怎么做？ 对hadoop和mapreduce有了解吗？ 手撕代码：递归二分查找 北京 一面 介绍transformer、我的论文聚类算法用的哪一种、有没
-
知识图谱 接口: nlp_ownthink 目标地址: https://ownthink.com/ 描述: 获取思知-知识图谱的接口, 以此来查询知识图谱数据 限量: 单次返回查询的数据结果 输入参数 名称 类型 必选 描述 word str Y word="人工智能" indicator str Y indicator="entity"; Please refer Indicator Info
-
PyTorch 自然语言处理（Natural Language Processing with PyTorch 中文版）
-
这是一本关于自然语言处理的书。所谓“自然语言”，是指人们日常交流使用的语言，如英语，印地语，葡萄牙语等。
-
一面： 自我介绍 项目介绍 八股文： 1. GBDT 2. xgboost 3.逻辑回归，svm，决策树的优缺点，适用场景 4.决策树和随机森林的区别 5.是否了解attention，transform的kqv 6.用过的loss函数，是否了解triplet loss之类的，好几个没听过的loss，没记住 7.batchnorm的参数是否可训练，b*c*w*h有多少个参数 8.如何进行上采样，上采
-
base 西安 一面(30min): 第一个面试官: (1) 英文自我介绍 英文说我的家乡和陕西的不同 (2) 介绍一个自己的项目 问了下模型的数据量 (3) 介绍一下模型训练的流程 (4) 完成括号匹配需要使用什么数据结构，讲一下怎么实现 (5) 主要使用的语言：python 了解c++吗：本科用过，但现在不熟 ×(6) 指针和引用有什么区别：我知道指针是啥...但是引用想成了python里的引