torch 开箱即用

不管好坏，我们都生活在一个不断变化的世界中。从好的方面看，一个突出的例子就是软件的丰富性和快速发展，这些软件可以帮助我们实现目标。然而，这种好处也带来了挑战。我们需要能够真正使用这些新功能，安装新库，将新技术集成到我们的包中。

更好 使用

使用 torch，我们可以完成很多事情，但这篇博客中只提到了其中的一小部分。但如果有一件事是可以肯定的，那就是永远不会缺少对更多事情的需求。以下是我想到的三种情况。

torch

加载已在 Python 中定义的预训练模型（无需手动移植所有代码）修改神经网络模块，以便纳入一些新颖的算法改进（无需承担在 R 中执行自定义代码的性能成本）使用 PyTorch 生态系统中提供的众多扩展库之一（尽可能减少编码工作量）

加载已在 Python 中定义的预训练模型（无需手动移植所有代码）

加载已在 Python 中定义的预训练模型（无需手动移植所有代码）

修改神经网络模块，以便纳入一些新颖的算法改进（无需承担在 R 中执行自定义代码的性能成本）

修改神经网络模块，以便纳入一些新颖的算法改进（无需承担在 R 中执行自定义代码的性能成本）自定义代码在 R 中执行）

使用 PyTorch 生态系统中提供的众多扩展库之一（尽可能减少编码工作量）

使用 PyTorch 生态系统中提供的众多扩展库之一（尽可能减少编码工作量）

启用器：torchexport 和 Torchscript

torchexport torchexport torchexport

torchexport：管理“类型堆栈”并处理错误

torch libtorch torch libtorch = =