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。
labml.ai Deep Learning Paper Implementations
这是神经网络和相关算法的简单 PyTorch 实现的集合。这些实现都附有说明，网站将这些说明呈现为并排格式的注释。我们相信这些将有助于您理解这些算法更好。
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。
How Graph Neural Networks (GNN) work: introduction to graph convolutions from scratch
从零开始使用图神经网络，并在 Pytorch 中实现图卷积层
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。
Convolutional LSTM for spatial forecasting
在预测空间确定的现象（例如天气或电影中的下一帧）时，我们希望对时间演变进行建模，理想情况下使用递归关系。同时，我们希望有效地提取空间特征，这通常是使用卷积滤波器完成的。理想情况下，我们将拥有一个既是循环又是卷积的架构。在这篇文章中，我们使用 torch 构建了一个卷积 LSTM。
torch 0.2.0 - Initial JIT support and many bug fixes
torch 0.2.0 版本包含许多错误修复和一些不错的新功能，如初始 JIT 支持、多工作器数据加载器、新优化器和 nn_modules 的新打印方法。
Brain image segmentation with torch
各种科学及其应用都需要对图像进行分割，其中许多对人类（和动物）生命至关重要。在这篇介绍性文章中，我们训练了一个 U-Net 来标记 MRI 脑部扫描中的病变区域。
