一、Torch Hub概述
Pytorch Hub 是一个预训练模型存储库，旨在促进研究的可重复性。Torch Hub 允许您发布预先训练的模型，以帮助促进研究共享和可重复性。
Torch Hub 在其官方展示中总共纳入了48个研究模型(目前为止)。音频模型8个、生成式模型2个、自然语言处理 (NLP)3个、可编写脚本20个、视觉模型等等。这些模型还在基准数据集（例如Kinetics 400和COCO 2017）上进行了训练。
在您的项目中使用这些模型很容易，使用torch.hub.load功能就可以调用。让我们看一个例子来说明它是如何工作的。
二、示例：使用DCGAN生成图像
首先进行模型的加载，如果下载失败，可以看失败的log手动下载，手动下载之后。修改source='local'，默认是'github'。
# USAGE
# python inference.py
# import the necessary packages
import matplotlib.pyplot as plt
import torchvision
import argparse
import torch
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-n", "--num-images", type=int, default=64, help="# of images you want the DCGAN to generate")
args = vars(ap.parse_args())
# check if gpu is available for use
useGpu = True if torch.cuda.is_available() else False
# load the DCGAN model
model = torch.hub.load("facebookresearch/pytorch_GAN_zoo-hub", "DCGAN", pretrained=True, useGPU=useGpu, source='local')
生成图片
# 生成随机噪声输入到生成器
(noise, _) = model.buildNoiseData(args["num_images"])
# 关闭 autograd 并将输入噪声提供给模型
with torch.no_grad():
generatedImages = model.test(noise)
# 重新配置图像通道顺序并显示输出
output = torchvision.utils.make_grid(generatedImages).permute(1, 2, 0).cpu().numpy()
plt.imshow(output)
plt.show()显示结果如下
三、训练自定义模型后使用Torch Hub加载
1、创建并训练神经网络
这里使用之前的简单神经网络进行测试，就不重复描述了，见下面链接。
机器学习笔记 - win10安装Pytorch-GPU版本并训练第一个神经网络_bashendixie5的博客-CSDN博客一、环境准备和Pytorch安装1、基础环境window10系统全新的conda的python3.7.11隔离环境 cuda11.2cudnn8.12、安装Pytorch GPU版本根据官方网站查看GPU版本安装命令，需要提前安装好CUDA和CUDNNStart Locally | PyTorch https://pytorch.org/get-started/locally/ ...
2、使用Torch Hub加载
模型训练完成后，下一步是修改配置文件中的 repo 以使我们的模型可以通过 Torch Hub 访问。
（1）配置hubconf.py脚本
import torch
# 我们的模型
import mlp
# 定义入口点/可调用函数来初始化和返回模型
def custom_model():
# 初始化模型
model = mlp.get_training_model()
# 加载权重
model.load_state_dict(torch.load("model_wt.pth"))
# 返回模型
return model（2）调用模型
创建一个python文件。
# import the necessary packages
from train import next_batch
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_blobs
import torch.nn as nn
import argparse
import torch
ap = argparse.ArgumentParser()
ap.add_argument("-b", "--batch-size", type=int, default=64, help="input batch size")
args = vars(ap.parse_args())
# 使用torch hub加载模型
print("[INFO] loading the model using torch hub...")
model = torch.hub.load("torch_hub/test", "custom_model")
# 生成具有 1000 个数据点的 3 类分类问题，其中每个数据点是一个 4D 特征向量
print("[INFO] preparing data...")
(X, Y) = make_blobs(n_samples=1000, n_features=4, centers=3, cluster_std=2.5, random_state=95)
# 创建训练和测试拆分，并将它们转换为 PyTorch 张量
(trainX, testX, trainY, testY) = train_test_split(X, Y, test_size=0.15, random_state=95)
trainX = torch.from_numpy(trainX).float()
testX = torch.from_numpy(testX).float()
trainY = torch.from_numpy(trainY).float()
testY = torch.from_numpy(testY).float()（3）模型设置为评估模式
初始化交叉熵损失函数、初始化评估指标。模型设置为评估模式，并抓取一批数据以供模型评估。
# 初始化损失函数
lossFunc = nn.CrossEntropyLoss()
# 如果可用，将设备设置为 cuda 并初始化测试损失和准确性
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
testLoss = 0
testAcc = 0
samples = 0
# 将模型设置为 eval 并获取一批数据
print("[INFO] setting the model in evaluation mode...")
model.eval()
(batchX, batchY) = next(next_batch(testX, testY, args["batch_size"]))（4）进行评估
关闭自动渐变，我们将这批数据加载到设备并将其提供给模型。使用损失函数计算损失。
# initialize a no-gradient context
with torch.no_grad():
# load the data into device
(batchX, batchY) = (batchX.to(DEVICE), batchY.to(DEVICE))
# pass the data through the model to get the output and calculate
# loss
predictions = model(batchX)
loss = lossFunc(predictions, batchY.long())
# update test loss, accuracy, and the number of
# samples visited
testLoss += loss.item() * batchY.size(0)
testAcc += (predictions.max(1)[1] == batchY).sum().item()
samples += batchY.size(0)
print("[INFO] test loss: {:.3f}".format(testLoss / samples))
print("[INFO] test accuracy: {:.3f}".format(testAcc / samples))
