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。
Introductory time-series forecasting with torch
这篇文章介绍了使用 torch 进行时间序列预测。核心主题是数据输入和 RNN（GRU/LSTM）的实际使用。即将发布的文章将以此为基础，并介绍越来越复杂的架构。
How Positional Embeddings work in Self-Attention (code in Pytorch)
了解位置嵌入是如何出现的，以及我们如何使用内部自注意力来对图像等高度结构化的数据进行建模
torch, tidymodels, and high-energy physics
今天我们介绍 tabnet，这是“TabNet：专注可解释表格学习”的 torch 实现，与 tidymodels 框架完全集成。从本质上讲，tabnet 的设计只需要很少的数据预处理；多亏了 tidymodels，超参数调整（在深度学习中通常很麻烦）变得方便甚至有趣！
Simple audio classification with torch
本文将 Daniel Falbel 关于“简单音频分类”的文章从 TensorFlow/Keras 翻译成 torch/torchaudio。
