极智AI | torch与torchvision版本对应关系速查

**极智AI | Torch 与 torchvision 版本对应关系速查**

Torch 和 torchvision 是 PyTorch 的两个核心组件，分别用于神经网络的构建和图像处理。以下是 Torch 和 torchvision 各版本之间的对应关系速查。

###1. Torch####1.1.0.0 (2016年)

* 首个公开版本* 支持 GPU 加速* 基于 LuaJIT 实现####1.2.0 (2017年)

* 增强的 GPU 支持* 新增 Autograd 模块（自动求导）
* 支持动态图形####1.3.0 (2018年)

* 增强的 Autograd 支持* 新增 nn.Module 类（神经网络模块）
* 支持 GPU 加速和动态图形####1.4.0 (2019年)

* 增强的 nn.Module 支持* 新增 nn.DataParallel 类（数据并行）
* 支持 GPU 加速和动态图形####1.5.0 (2020年)

* 增强的 nn.DataParallel 支持* 新增 nn.parallel.DistributedDataParallel 类（分布式数据并行）
* 支持 GPU 加速和动态图形###2. torchvision####0.4.1 (2018年)

* 首个公开版本* 支持常见的图像处理操作（如转换、裁剪等）

####0.5.0 (2019年)

* 增强的图像处理支持* 新增 torchvision.transforms 模块（图像变换）
* 支持常见的图像处理操作####0.6.0 (2020年)

* 增强的 torchvision.transforms 支持* 新增 torchvision.datasets 模块（数据集）
* 支持常见的图像处理操作和数据集加载###3. 对应关系速查| Torch 版本 | torchvision 版本 |
| --- | --- |
|1.0.0 |0.4.1 |
|1.2.0 |0.5.0 |
|1.3.0 |0.6.0 |
|1.4.0 |0.7.0 |
|1.5.0 |0.8.0 |

###4.代码示例#### Torch

import torchimport torch.nn as nn# 定义一个简单的神经网络模型class Net(nn.Module):
 def __init__(self):
 super(Net, self).__init__()
 self.fc1 = nn.Linear(5,10) # 输入维度为5，输出维度为10 self.fc2 = nn.Linear(10,20) # 输入维度为10，输出维度为20 def forward(self, x):
 x = torch.relu(self.fc1(x)) # 激活函数为relu x = self.fc2(x)
 return x# 初始化模型和优化器model = Net()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 前向传播和反向传播input_data = torch.randn(1,5) # 输入数据维度为1x5output = model(input_data)
loss = nn.MSELoss()(output, torch.randn(1,20)) # 损失函数为MSEoptimizer.zero_grad()
loss.backward()
optimizer.step()

# GPU 加速device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)
input_data = input_data.to(device)

import torchvisionfrom torchvision import transforms# 定义图像变换transform = transforms.Compose([
 transforms.Resize(256), # 缩放到256x256 transforms.CenterCrop(224), # 中心裁剪到224x224 transforms.ToTensor(), # 转换为张量 transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]) # 标准化])

# 加载数据集dataset = torchvision.datasets.ImageFolder(root="path/to/dataset", transform=transform)

# 数据加载器data_loader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True)

# 前向传播和反向传播for batch in data_loader:
 input_data, labels = batch output = model(input_data)
 loss = nn.CrossEntropyLoss()(output, labels)
 optimizer.zero_grad()
 loss.backward()
 optimizer.step()