Toggle navigation sidebar
Toggle in-page Table of Contents
torch_book 0.0.3 文档
教程
torchvision
测试
TorchScript
TorchScript 简介
torch.fx
FX 简介
操控
Graph
解释器模式
调试
符号追踪的局限性
FX 算子替换
自定义跟踪器
动态包装计算图输出
原语库
迁移学习
PyTorch 量化
量化简介
定点和浮点
PyTorch 量化设计方案
量化流程
量化流程概述
Eager 模式量化
FX Graph 模式量化
量化实践
tanh 量化
Sigmoid 量化
Sigmoid 量化
LeNet
Cifar10 上的 ReNet18
Pytorch 数值套件教程
Post training quantization tutorial for resnext.
泰勒公式与量化
量化矩阵乘法
FX 量化快速入门
量化临时区域
中间表示
模型剪枝
参数化教程
使用 FX 构建简单的 CPU 性能分析器
在pytorch中通道最后的内存格式
Forward-mode 自动微分
(beta) Building a Convolution/Batch Norm fuser in FX
模型可解释性
Model Interpretability using Captum
DDP
Transformer
小技巧
临时
TorchX /AMP
混沌
自动微分
PyTorch Benchmark
其他临时区
性能评估
Pytorch 梯度归零
参考
FX API 参考
Torch 参数
论文解读
量化论文
随机舍入
其他
术语表
NumPy
PyTorch 词汇表
参考
Colab 训练
中英互译
未整理的资料
open issue
suggest edit
.md
.pdf
中间表示
中间表示
#
模型剪枝
构建模型
检查 Module
剪枝 Module
Iterative Pruning
Serializing a pruned model
Remove pruning re-parametrization
Pruning multiple parameters in a model
Global pruning
Extending
torch.nn.utils.prune
with custom pruning functions
参数化教程
手工实现参数化
参数化简介
检查参数化 module
参数化是一等公民(first-class citizens)
缓存参数化的值
Concatenating 参数化
初始化参数化
移除参数化
使用 FX 构建简单的 CPU 性能分析器
用符号跟踪捕获模型
创建性能分析解释器
ResNet18的性能研究
record_function()
在pytorch中通道最后的内存格式
什么是通道 Last
Memory 格式 API
Performance Gains
Converting existing models
Work to do
Forward-mode 自动微分
Basic Usage
Usage with Modules
Using Modules stateless API (experimental)
Custom autograd Function
Functional API (beta)
Using the functional API with Modules
(beta) Building a Convolution/Batch Norm fuser in FX
Fusing Convolution with Batch Norm
Fusing Convolution with Batch Norm
FX Fusion Pass
Testing out our Fusion Pass
Benchmarking our Fusion on ResNet18