原文：
www.kdnuggets.com/2020/04/pytorch-models-torchlayers.html
评论
根据 在线搜索 和更重要的 PyTorch 采用率的持续增长 来看，PyTorch 继续受到广泛关注。PyTorch 被认为是强大而灵活的，这对研究人员来说是受欢迎的。然而，过去 PyTorch 因缺乏类似 TensorFlow 的 Keras 的简化高级 API 而受到批评。这个情况最近发生了变化。
torchlayers 旨在为 PyTorch 做到 Keras 对 TensorFlow 所做的事情。简洁地由项目开发者定义：
torchlayers 是一个基于 PyTorch 的库，提供
torch.nn层的自动形状和维度推断 + 当前 SOTA 架构中的附加构建块（例如 Efficient-Net）。上述操作无需用户干预（除了对 torchlayers.build 的单次调用），类似于 Keras 中的操作。
除了上述的形状和维度推断，torchlayers 还包括类似 Keras 的附加层，例如 [torchlayers.Reshape](https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=reshape#torchlayers.Reshape)（在保持批次维度的同时重塑输入张量），包含之前在 ImageNet 竞赛中看到的 SOTA 层（例如 [PolyNet](https://szymonmaszke.github.io/torchlayers/packages/torchlayers.convolution.html?highlight=polynet#torchlayers.convolution.Poly)），并提供一些有用的默认设置，例如卷积核大小（torchlayers 的默认值为 3）。
使用 pip 安装很简单：
pip install --user torchlayers额外的安装信息（如 Docker 镜像和 GPU）可以在这里找到。完整的 torchlayers 文档 可以在这里找到。
torchlayers 的 GitHub 页面提供了一些示例来展示其功能。我喜欢这个 简单的图像和文本分类器！ 示例，下面我复制了它的代码。这个示例展示了：
-
torch.nn和torchlayers层的混合使用 -
形状和维度推断（
Conv和Linear输入及BatchNorm） -
默认卷积核大小
-
Conv填充默认设置为 "same" -
使用 torchlayers 池化层（
GlobalMaxPool，类似于 Keras）
import torch
import torchlayers as tl
# torch.nn and torchlayers can be mixed easily
model = torch.nn.Sequential(
tl.Conv(64), # specify ONLY out_channels
torch.nn.ReLU(), # use torch.nn wherever you wish
tl.BatchNorm(), # BatchNormNd inferred from input
tl.Conv(128), # Default kernel_size equal to 3
tl.ReLU(),
tl.Conv(256, kernel_size=11), # "same" padding as default
tl.GlobalMaxPool(), # Known from Keras
tl.Linear(10), # Output for 10 classes
)然后可以使用 [torchlayers.build](https://szymonmaszke.github.io/torchlayers/packages/torchlayers.html?highlight=build#torchlayers.build) 来构建一个定义的网络，同时指定输入形状（下面展示了图像和文本分类的输入形状，适用于上面定义的模型）：
# Image...
mnist_model = tl.build(model, torch.randn(1, 3, 28, 28))
# ...or text
# [batch, embedding, timesteps], first dimension > 1 for BatchNorm1d to work
text_model = tl.build(model, torch.randn(2, 300, 1))build 显然像在 Keras 中一样工作，将模型编译为 PyTorch 基本操作；它通过 post_build 函数（例如下面显示的权重初始化）提供一些附加功能，你可以在这里查看更多。
class _MyModuleImpl(torch.nn.Linear):
def post_build(self):
# You can do anything here really
torch.nn.init.eye_(self.weights)torchlayers 提供了一些有助于使用 PyTorch 进行类似 Keras 的模型构建的功能，并填补了明显的空白。时间将证明该项目如何发展和长期受欢迎，但它无疑有一个有前途的开始。
相关：
-
OpenAI 正在采用 PyTorch... 他们并不孤单
-
PyTorch 1.2 的温和介绍
-
使用 TensorFlow 和 Keras 进行标记化和文本数据准备
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织 IT