為了解決日益增長的論文可復現性需求，Facebook推出了PyTorch Hub，類似TensorFlow Hub的一個模型共享庫，加載ResNet、BERT、GPT、VGG、PGAN還是MobileNet等經典模型只需一行代碼。用戶可以提交、瀏覽模型，極大的改善了論文的可復現性難題。

機器學習論文的可復現性一直是個難題。許多機器學習相關論文要么無法復現，要么難以重現。有時候論文讀者經常為了調用各種經典機器學習模型，還要重復造輪子。

隨著提交給arXiv以及各種會議上的論文數量開始暴漲，可復現性的重要性也越來越凸顯。

很多論文選擇隨文附上代碼和訓練模型，在一定程度上對使用者起到了幫助作用，但成效并不明顯。復現過程中，仍有大量工作需要論文讀者自己摸索。

PyTorch Hub是什么？

近日，Facebook新推出了一個深度學習工具包：PyTorch Hub，這是一個簡單的API和工作流，提供基本的構建模塊從而可以改善機器學習研究的可重現性。

PyTorch Hub包含了一系列與圖像分類、圖像分割、生成以及轉換相關的預訓練模型庫，例如ResNet、BERT、GPT、VGG、PGAN、MobileNet等經典模型，

PyTorch Hub試圖以最傻瓜的方式，提高研究工作的復現性。有多簡單呢？圖靈獎得主Yann LeCun發推表示，只需要一行代碼就可以調用所有倉庫里的模型，通過一個pull請求來發布你自己的模型。

同時，PyTorch Hub整合了Google Colab，并集成了論文代碼結合網站Papers With Code，可以直接找到論文的代碼。

PyTorch Hub怎么用？

復現別人的成果是PyTorch Hub主打功能，那么具體怎么樣用呢？PyTorch官方提出三步走策略：瀏覽可用模型；加載模型；探索已加載的模型。

瀏覽可用模型

直接用torch.hub.list() API列出所有可用的入口點即可。代碼示例：

>>> torch.hub.list('pytorch/vision')>>>['alexnet','deeplabv3_resnet101','densenet121',...'vgg16','vgg16_bn','vgg19', 'vgg19_bn']

加載模型

使用PyTorch加載模型很簡單，正如LeCun所說，只需要一行代碼即可使用。比如從GitHub里加載一個模型：

mode = torch.hub.load(github, model, force_reload=False, *args, **kwargs)

加載一個PyTorch預訓練的模型：

model=torch.hub.load('pytorch/vision','deeplabv3_resnet101',pretrained=True)

在此之外，我們還需要了解一些其它的相對比較復雜的事情，包括探索已加載的模型、復現別人成果的工作流，以及如何快速發布自己的模型。

探索已加載的模型

從PyTorch Hub加載模型后，可以使用dir(model)查看模型的所有可用方法，示例代碼：

>>> dir(model)>>>['forward'...'to''state_dict',]

還可以用help(model.forward)對運行該模型所需參數有更深入的了解。

>>> 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)...我自己的模型也能發嗎？

只需要在預訓練模型（包括模型定義及預訓練權重）加入一個hubconf.py文件，就可以通過PyTorch Hub將模型發布到GitHub倉庫。以torchvision的hubconf.py文件為例：

# Optional list of dependencies required by the packagedependencies = ['torch']from torchvision.models.alexnet import alexnetfrom torchvision.models.densenet import densenet121, densenet169, densenet201, densenet161from torchvision.models.inception import inception_v3from torchvision.models.resnet import resnet18, resnet34, resnet50, resnet101, resnet152, esnext50_32x4d, resnext101_32x8dfrom torchvision.models.squeezenet import squeezenet1_0, squeezenet1_1from torchvision.models.vgg import vgg11, vgg13, vgg16, vgg19, vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bnfrom torchvision.models.segmentation import fcn_resnet101, deeplabv3_resnet101from torchvision.models.googlenet import googlenetfrom torchvision.models.shufflenetv2 import shufflenet_v2_x0_5, shufflenet_v2_x1_0from torchvision.models.mobilenet import mobilenet_v2

torchvision中，模型有3個特性：

每個模型文件可以被獨立執行或實現某個功能

不需要除了PyTorch之外的任何軟件包（在hubconf.py中編碼為 dependencies[‘torch’]）

他們不需要單獨的入口點，因為模型在創建時可以無縫地開箱即用

最小化包依賴性可減少用戶加載模型時遇到的困難。以HuggingFace’s BERT為例：

dependencies = ['torch', 'tqdm', 'boto3', 'requests', 'regex']from hubconfs.bert_hubconf import (bertTokenizer,bertModel,bertForNextSentencePrediction,bertForPreTraining,bertForMaskedLM,bertForSequenceClassification,bertForMultipleChoice,bertForQuestionAnswering,bertForTokenClassification和TensorFlow Hub有什么區別？

前Google Brain員工mat kelcey吐槽“Hub”這個詞簡直是機器學習模型項目的共享單詞，TensorFlow Hub了，PyTorch也Hub了。

那么和PyTorch Hub相比，更早推出的TensorFlow Hub有什么區別呢？

TensorFlow Hub是一個共享可重用的機器學習平臺，主要面向開發者，谷歌希望TensorFlow Hub能夠為研究人員和開發人員提供一種便利的方式，能夠更方便的在社區中共享模型。從某種意義上來講，除了架構本身，共享預訓練模型的同時，也共享了開發模型的計算時間和數據集。示例代碼：

!pip install "tensorflow_hub==0.4.0"!pip install "tf-nightly"import tensorflow as tfimporttensorflow_hubashubtf.enable_eager_execution()module_url = "https://tfhub.dev/google/tf2-preview/nnlm-en-dim128/1"embed = hub.KerasLayer(module_url)embeddings = embed(["A long sentence.", "single-word","http://example.com"])print(embeddings.shape)#(3,128)

TensorFlow Hub還有一個非常關鍵的特性是它的Web端體驗。開發人員可以針對開發用例來瀏覽TF模塊，通過TensorFlow Hub推出新的Web體驗可以更容易的進行搜索和瀏覽，同時為multi-publisher平臺奠定了基礎。

網址：

https://tfhub.dev/

從官方的介紹來看，TF Hub的出發點是開發用例，而PyTorch Hub的出發點是論文復現。目前看來TF Hub的內置模型更多一點；此外，TF Hub提供的web方式瀏覽模型的體驗更好，搜索模型更加方便。

相關資源，方便大家快速上手：

PyTorch Hub API手冊：

https://pytorch.org/docs/stable/hub.html

模型提交地址：

https://github.com/pytorch/hub

瀏覽可用模型：

https://pytorch.org/hub

在 Paper with Code 上瀏覽更多模型：

https://paperswithcode.com/