什么是 hub
hub（modelzoo）主要用来调用其他人训练好的模型和参数
Facebook官方博客表示，PyTorch Hub是一个简易API和工作流程，为复现研究提供了基本构建模块，包含预训练模型库。
并且，PyTorch Hub还支持Colab，能与论文代码结合网站Papers With Code集成，用于更广泛的研究。
github：https://github.com/pytorch/hub
模型：https://pytorch.org/hub/research-models
使用示例
import torch
model = torch.hub.load(\'pytorch/vision:v0.4.2\', \'deeplabv3_resnet101\', pretrained=True)
model.eval()
# 下载会显示下载数据和进度
# Downloading: "https://github.com/pytorch/vision/archive/v0.4.2.zip" to /Users/xx/.cache/torch/hub/v0.4.2.zip
# Downloading: "https://download.pytorch.org/models/resnet101-5d3b4d8f.pth" to /Users/xx/.cache/torch/hub/checkpoints/resnet101-5d3b4d8f.pth
Downloading: "https://github.com/pytorch/vision/archive/v0.4.2.zip" to /Users/shushu/.cache/torch/hub/v0.4.2.zip
Downloading: "https://download.pytorch.org/models/resnet101-5d3b4d8f.pth" to /Users/shushu/.cache/torch/hub/checkpoints/resnet101-5d3b4d8f.pth
HBox(children=(IntProgress(value=0, max=178728960), HTML(value=\'\')))
torch.hub.list(\'pytorch/vision:v0.4.2\')
Using cache found in C:\Users\Administrator/.cache\torch\hub\pytorch_vision_v0.4.2
[\'alexnet\',
\'deeplabv3_resnet101\',
\'densenet121\',
\'densenet161\',
\'densenet169\',
\'densenet201\',
\'fcn_resnet101\',
\'googlenet\',
\'inception_v3\',
\'mobilenet_v2\',
\'resnet101\',
\'resnet152\',
\'resnet18\',
\'resnet34\',
\'resnet50\',
\'resnext101_32x8d\',
\'resnext50_32x4d\',
\'shufflenet_v2_x0_5\',
\'shufflenet_v2_x1_0\',
\'squeezenet1_0\',
\'squeezenet1_1\',
\'vgg11\',
\'vgg11_bn\',
\'vgg13\',
\'vgg13_bn\',
\'vgg16\',
\'vgg16_bn\',
\'vgg19\',
\'vgg19_bn\',
\'wide_resnet101_2\',
\'wide_resnet50_2\']
# Download an example image from the pytorch website
import urllib
url, filename = ("https://github.com/pytorch/hub/raw/master/dog.jpg", "dog.jpg")
try: urllib.URLopener().retrieve(url, filename)
except: urllib.request.urlretrieve(url, filename)
# sample execution (requires torchvision)
from PIL import Image
from torchvision import transforms
input_image = Image.open(filename)
preprocess = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
input_tensor = preprocess(input_image)
input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model
# move the input and model to GPU for speed if available
if torch.cuda.is_available():
input_batch = input_batch.to(\'cuda\')
model.to(\'cuda\')
with torch.no_grad():
output = model(input_batch)[\'out\'][0]
output_predictions = output.argmax(0)
# create a color pallette, selecting a color for each class
palette = torch.tensor([2 ** 25 - 1, 2 ** 15 - 1, 2 ** 21 - 1])
colors = torch.as_tensor([i for i in range(21)])[:, None] * palette
colors = (colors % 255).numpy().astype("uint8")
# plot the semantic segmentation predictions of 21 classes in each color
r = Image.fromarray(output_predictions.byte().cpu().numpy()).resize(input_image.size)
r.putpalette(colors)
import matplotlib.pyplot as plt
plt.imshow(r)
plt.show()
1、查询可用的模型
用户可以使用torch.hub.list()这个API列出repo中所有可用的入口点。比如你想知道PyTorch Hub中有哪些可用的计算机视觉模型：
>>> torch.hub.list(\'pytorch/vision\')
>>>
[\'alexnet\',
\'deeplabv3_resnet101\',
\'densenet121\',
...
\'vgg16\',
\'vgg16_bn\',
\'vgg19\',
\'vgg19_bn\']
2、加载模型
在上一步中能看到所有可用的计算机视觉模型，如果想调用其中的一个，也不必安装，只需一句话就能加载模型。
model = torch.hub.load(\'pytorch/vision\', \'deeplabv3_resnet101\', pretrained=True)
至于如何获得此模型的详细帮助信息，可以使用下面的API：
print(torch.hub.help(\'pytorch/vision\', \'deeplabv3_resnet101\'))
如果模型的发布者后续加入错误修复和性能改进，用户也可以非常简单地获取更新，确保自己用到的是最新版本：
model = torch.hub.load(..., force_reload=True)
对于另外一部分用户来说，稳定性更加重要，他们有时候需要调用特定分支的代码。例如pytorch_GAN_zoo的hub分支：
model = torch.hub.load(\'facebookresearch/pytorch_GAN_zoo:hub\', \'DCGAN\', pretrained=True, useGPU=False)
3、查看模型可用方法
从PyTorch Hub加载模型后，你可以用dir(model)查看模型的所有可用方法。以bertForMaskedLM模型为例：
>>> dir(model)
>>>
[\'forward\'
...
\'to\'
\'state_dict\',
]
forward
如果你对forward方法感兴趣，使用help(model.forward) 了解运行运行该方法所需的参数。
>>> help(model.forward)
>>>
Help on method forward in module pytorch_pretrained_bert.modeling:
forward(input_ids, token_type_ids=None, attention_mask=None, masked_lm_labels=None)
...
支持 Colab
PyTorch Hub中提供的模型也支持Colab。
进入每个模型的介绍页面后，你不仅可以看到GitHub代码页的入口，甚至可以一键进入Colab运行模型Demo。
对于模型发布者
如果你希望把自己的模型发布到PyTorch Hub上供所有用户使用，可以去PyTorch Hub的GitHub页发送拉取请求。若你的模型符合高质量、易重复、最有利的要求，Facebook官方将会与你合作。
一旦拉取请求被接受，你的模型将很快出现在PyTorch Hub官方网页上，供所有用户浏览。
目前该网站上已经有18个提交的模型，英伟达率先提供支持，他们在PyTorch Hub已经发布了Tacotron2和WaveGlow两个TTS模型。
图片
发布模型的方法也是比较简单的，开发者只需在自己的GitHub存储库中添加一个简单的hubconf.py文件，在其中枚举运行模型所需的依赖项列表即可。
比如，torchvision中的hubconf.py文件是这样的：
# Optional list of dependencies required by the package
dependencies = [\'torch\']
from torchvision.models.alexnet import alexnet
from torchvision.models.densenet import densenet121, densenet169, densenet201, densenet161
from torchvision.models.inception import inception_v3
from torchvision.models.resnet import resnet18, resnet34, resnet50, resnet101, resnet152,\
resnext50_32x4d, resnext101_32x8d
from torchvision.models.squeezenet import squeezenet1_0, squeezenet1_1
from torchvision.models.vgg import vgg11, vgg13, vgg16, vgg19, vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bn
from torchvision.models.segmentation import fcn_resnet101, deeplabv3_resnet101
from torchvision.models.googlenet import googlenet
from torchvision.models.shufflenetv2 import shufflenet_v2_x0_5, shufflenet_v2_x1_0
from torchvision.models.mobilenet import mobilenet_v2
Facebook官方向模型发布者提出了以下三点要求：
1、每个模型文件都可以独立运行和执行
2、不需要PyTorch以外的任何包
3、不需要单独的入口点，让模型在创建时可以无缝地开箱即用
Facebook还建议发布者最小化对包的依赖性，减少用户加载模型进行实验的阻力。
更多资料
- 量子位：PyTorchHub发布！一行代码调用最潮模型，图灵
https://mp.weixin.qq.com/s/lS3YiXzYyY6-XNTFyH_GHg