Wavelet Transform - with torch
torch 没有内置进行小波分析的功能。但我们可以利用快速傅里叶变换 (FFT) 有效地实现我们所需的功能。这篇文章是对小波的首次介绍，适合以前没有接触过它的读者。同时，它提供了有用的入门代码，展示了在 torch 中执行小波分析的（可扩展）方法。它是即将由 CRC Press 出版的《使用 R torch 进行深度学习和科学计算》一书中相应章节的摘录。
Discrete Fourier Transform - with torch
关于傅里叶变换，有人说它是宇宙中最伟大的奇迹之一。同时，它仅用六行代码即可实现。即使最后你只是直接调用 torch 的内置函数，它也有助于理解并能够在代码中重现魔法背后的想法。这篇文章摘自即将由 CRC Press 出版的新书《使用 R torch 进行深度学习和科学计算》。
Five ways to do least squares (with torch)
了解 torch 的 linalg 模块，同时学习从头开始进行最小二乘回归的不同方法。这篇文章是即将由 CRC Press 出版的《深度学习和科学计算与 R torch》一书中相应章节的精简版。
Audio classification with torch
学习如何使用 torch 对语音进行分类，利用领域知识和深度学习。这篇文章是即将由 CRC Press 出版的《使用 R torch 进行深度学习和科学计算》一书中相应章节的精简版。
Community spotlight: Fun with torchopt
今天，我们想提请大家注意 torch 生态系统中一个非常有用的包：torchopt。它通过提供一组基础库中没有的流行优化算法来扩展 torch。正如这篇文章将展示的那样，它也很有趣！
BYOL tutorial: self-supervised learning on CIFAR images with code in Pytorch
实现和理解 byol，一种没有负样本的自监督计算机视觉方法。了解 BYOL 如何学习用于图像分类的稳健表示。
How distributed training works in Pytorch: distributed data-parallel and mixed-precision training
了解分布式训练在 pytorch 中的工作原理：数据并行、分布式数据并行和自动混合精度。以巨大的速度训练您的深度学习模型。
Self-supervised learning tutorial: Implementing SimCLR with pytorch lightning
了解如何实现臭名昭著的对比自监督学习方法 SimCLR。在 PyTorch 和 PyTorch-lightning 中逐步实现
Train in R, run on Android: Image segmentation with torch
我们使用 torch 及其高级接口 luz 在 R 中训练一个图像分割模型。然后，我们在示例输入上对模型进行 JIT 跟踪，以获得可以在没有安装 R 的情况下运行的优化表示。最后，我们展示了在 Android 上运行的模型。
torch: Just-in-time compilation (JIT) for R-less model deployment
使用 torch 即时 (JIT) 编译器，可以使用另一种语言查询用 R 训练的模型，前提是该语言可以使用低级 libtorch 库。这篇文章展示了如何做到这一点。此外，我们试图理清围绕该主题的一些术语混乱。
Que haja luz: More light for torch!
今天，我们介绍 luz，它是 torch 的高级接口，可让您以简洁、声明式的风格训练神经网络。从某种意义上说，它之于 torch 就像 Keras 之于 TensorFlow：它既提供了简化的工作流程，也提供了强大的自定义方式。
JAX vs Tensorflow vs Pytorch: Building a Variational Autoencoder (VAE)
在从头开始开发和训练变分自动编码器时，对 JAX、Tensorflow 和 Pytorch 进行并排比较
torch time series, final episode: Attention
我们通过使用一种在自然语言处理中非常流行且受人类（和动物）认知启发的技术来增强上次的序列到序列架构，从而结束使用 torch 进行时间序列预测的迷你系列：注意力。
torch time series, take three: Sequence-to-sequence prediction
在我们对时间序列预测技术的概述中，我们转向序列到序列模型。该系列中的架构通常用于自然语言处理 (NLP) 任务，例如机器翻译。然而，对于 NLP，在进行模型定义和训练之前需要进行大量的预处理。在熟悉的数值序列中，我们可以完全专注于概念。
torch time series continued: A first go at multi-step prediction
我们继续探索使用 torch 进行时间序列预测，转向为多步预测设计的架构。在这里，我们通过多层感知器 (MLP) 增强了“主力 RNN”，以推断未来的多个时间步。
