ocaml torch

警告

此存储库的开发已转移到 https://github.com/janestreet/torch 。

ocaml火炬

ocaml-torch为 PyTorch 张量库提供了一些 ocaml 绑定。这带来了类似 OCaml NumPy 的张量计算，具有 GPU 加速和基于磁带的自动微分功能。

这些绑定使用 PyTorch C++ API，并且大部分是自动生成的。当前的 GitHub 技巧和 opam 包 v0.7 对应于 PyTorch v2.0.0 。

在 Linux 上，请注意，您将需要使用 cxx11 abi cpu 版本、cuda 11.7 版本的 PyTorch 版本。

奥帕姆安装

可以使用以下命令安装 opam 软件包。这会自动安装 CPU 版本的 libtorch。

 opam 安装火炬

然后您可以编译一些示例代码，请参阅下面的一些说明。 ocaml-torch还可以通过 utop 或 ocaml-jupyter 在交互模式下使用。

这是一个示例 utop 会话。

构建一个简单的示例

要构建第一个 torch 程序，请创建一个包含以下内容的文件example.ml 。

打开火炬 () =
  让张量 = Tensor.randn [ 4; 2] 在
  张量.打印张量

然后创建一个包含以下内容的dune文件：

 （可执行文件
  （名称示例）
  （图书馆火炬））

运行dune exec example.exe来编译程序并运行它！

或者，您可以首先通过dune build example.exe编译代码，然后运行可执行文件_build/default/example.exe （请注意，构建字节码目标example.bc可能无法在 macos 上运行）。

教程和示例

• MNIST 教程。

• 微调 ResNet-18 模型。

• 生成对抗网络。

• 运行一些 Python 模型。

来自外部存储库的一些更高级的应用程序：

• 由 Arulselvan Madhavan 设计的 mini-dalle 的 OCaml 端口。

• 实现 stable-diffusion 1.5 的扩散器库的克隆：Arulselvan Madhavan 的扩散器-ocaml。

• 基于 BERT 的自然语言处理模型可以在 ocaml-bert 存储库中找到。

示例代码

下面是在 MNIST 数据集上训练的线性模型的示例（完整代码）。

  (* 创建两个张量来存储模型权重。*)
  让 ws = Tensor.zeros [image_dim; label_count] ~requires_grad:true 中
  让 bs = Tensor.zeros [label_count] ~requires_grad:true 中

  让模型 xs = 张量。(mm xs ws + bs) in
  for index = 1 to 100 do(* 计算交叉熵损失。*)let loss = Tensor.cross_entropy_for_logits (model train_images) ~targets:train_labelsinTensor.backward loss;(* 应用梯度下降，禁用梯度跟踪。*)张量。(no_grad(fun()->
        ws -= grad ws * f 学习率；
        bs -= grad bs * flearning_rate));(* 计算验证误差。*)let test_accuracy = Tensor.(argmax ~dim:(-1) (model test_images) = test_labels) |> Tensor.to_kind ~kind:( T Float) |> Tensor.sum |> Tensor.float_value |> fun sum -> sum /。 test_samplesinprintf "%d %f %.2f%%n%!"索引(Tensor.float_value损失)(100.*.test_accuracy);
  完毕

• CIFAR-10 上的一些 ResNet 示例。

• char-rnn 的简化版本，说明使用循环神经网络进行字符级语言建模。

• 神经风格迁移将图像的风格应用于另一图像的内容。这使用了一些深度卷积神经网络。

型号和重量

视觉库中实现了各种预先训练的计算机视觉模型。权重文件可以通过以下链接下载：

• ResNet-18 权重。

• ResNet-34 权重。

• ResNet-50 权重。

• ResNet-101 权重。

• ResNet-152 权重。

• DenseNet-121 权重。

• DenseNet-161 权重。

• DenseNet-169 权重。

• SqueezeNet 1.0 权重。

• SqueezeNet 1.1 权重。

• VGG-13 配重。

• VGG-16 配重。

• AlexNet 权重。

• Inception-v3 权重。

• MobileNet-v2 权重。

• EfficientNet b0 权重、b1 权重、b2 权重、b3 权重、b4 权重。

通过以下命令可以轻松地在一些示例图像上运行预训练的模型。

沙丘执行示例/pretrained/predict.exe 路径/to/resnet18.ot Tiger.jpg

替代安装选项

这种安装ocaml-torch 的替代方法对于在启用 GPU 加速的情况下运行可能很有用。

libtorch库可以从PyTorch网站下载（2.0.0 cpu版本）。

下载并解压 libtorch 库，然后构建所有运行的示例：

导出 LIBTORCH=/path/to/libtorch
git 克隆 https://github.com/LaurentMazare/ocaml-torch.gitcd ocaml-torch
使所有