Gotch

概述

gotch 为 Pytorch C++ API（Libtorch）创建了一个薄包装层，以利用其已经优化的 C++ 张量 API（3039个）和支持 CUDA 的动态图计算，并提供惯用的 Go API 用于在 Go 中开发和实现深度学习。

一些特性包括

全面的 Pytorch 张量 API（2525个）
功能齐全的 Pytorch 动态图计算
JIT 接口，用于运行使用 PyTorch Python API 训练/保存的模型
加载预训练的 Pytorch 模型并进行推理
纯 Go API 用于构建和训练神经网络模型，同时支持 CPU 和 GPU
最新的图像模型
NLP 语言模型 - 在单独的包中使用 gotch 和纯 Go 分词器构建的 Transformer。

gotch 正处于积极开发模式，可能会有 API 破坏性更改。欢迎提出拉取请求、报告问题或讨论任何疑虑。欢迎所有贡献。

gotch 当前版本为 v0.9.1

依赖项

Pytorch 的 Libtorch C++ v2.1.0 库
Clang-17/Clang++-17 编译器

安装

如果可用 CUDA，默认 CUDA 版本为 11.8，否则使用 CPU 版本。
默认 Pytorch C++ API 版本为 2.1.0

注意：libtorch 将安装在 /usr/local/lib

CPU

步骤 1：设置 libtorch（如果您的机器上已安装有效的 libtorch，请跳过此步骤！）

    wget https://github.com/sugarme/gotch/releases/download/v0.9.0/setup-libtorch.sh
    chmod +x setup-libtorch.sh
    export CUDA_VER=cpu && bash setup-libtorch.sh

更新环境：在 Debian/Ubuntu 中，在 .bashrc 文件中添加/更新以下行

    export GOTCH_LIBTORCH="/usr/local/lib/libtorch"
    export LIBRARY_PATH="$LIBRARY_PATH:$GOTCH_LIBTORCH/lib"
    export CPATH="$CPATH:$GOTCH_LIBTORCH/lib:$GOTCH_LIBTORCH/include:$GOTCH_LIBTORCH/include/torch/csrc/api/include"
    export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:$GOTCH_LIBTORCH/lib"

步骤 2：设置 gotch

    wget https://github.com/sugarme/gotch/releases/download/v0.9.0/setup-gotch.sh
    chmod +x setup-gotch.sh
    export CUDA_VER=cpu && export GOTCH_VER=v0.9.1 && bash setup-gotch.sh

GPU

注意：确保您的机器有可用的 CUDA。

步骤 1：设置 libtorch（如果您的机器上已安装有效的 libtorch，请跳过此步骤！）

    wget https://github.com/sugarme/gotch/releases/download/v0.9.0/setup-libtorch.sh
    chmod +x setup-libtorch.sh

    export CUDA_VER=11.8 && bash setup-libtorch.sh

更新环境：在 Debian/Ubuntu 中，在 .bashrc 文件中添加/更新以下行

    export GOTCH_LIBTORCH="/usr/local/lib/libtorch"
    export LIBRARY_PATH="$LIBRARY_PATH:$GOTCH_LIBTORCH/lib"
    export CPATH="$CPATH:$GOTCH_LIBTORCH/lib:$GOTCH_LIBTORCH/include:$GOTCH_LIBTORCH/include/torch/csrc/api/include"
    LD_LIBRARY_PATH="$LD_LIBRARY_PATH:$GOTCH_LIBTORCH/lib:/usr/lib64-nvidia:/usr/local/cuda-${CUDA_VERSION}/lib64"

步骤 2：设置 gotch

    wget https://github.com/sugarme/gotch/releases/download/v0.9.0/setup-gotch.sh
    chmod +x setup-gotch.sh
    export CUDA_VER=11.8 && export GOTCH_VER=v0.9.1 && bash setup-gotch.sh

示例

基本张量操作

import (
	"fmt"

	"github.com/sugarme/gotch"
	"github.com/sugarme/gotch/ts"
)

func basicOps() {

xs := ts.MustRand([]int64{3, 5, 6}, gotch.Float, gotch.CPU)
fmt.Printf("%8.3f\n", xs)
fmt.Printf("%i", xs)

/*
(1,.,.) =
   0.391     0.055     0.638     0.514     0.757     0.446  
   0.817     0.075     0.437     0.452     0.077     0.492  
   0.504     0.945     0.863     0.243     0.254     0.640  
   0.850     0.132     0.763     0.572     0.216     0.116  
   0.410     0.660     0.156     0.336     0.885     0.391  

(2,.,.) =
   0.952     0.731     0.380     0.390     0.374     0.001  
   0.455     0.142     0.088     0.039     0.862     0.939  
   0.621     0.198     0.728     0.914     0.168     0.057  
   0.655     0.231     0.680     0.069     0.803     0.243  
   0.853     0.729     0.983     0.534     0.749     0.624  

(3,.,.) =
   0.734     0.447     0.914     0.956     0.269     0.000  
   0.427     0.034     0.477     0.535     0.440     0.972  
   0.407     0.945     0.099     0.184     0.778     0.058  
   0.482     0.996     0.085     0.605     0.282     0.671  
   0.887     0.029     0.005     0.216     0.354     0.262  



张量信息：
        形状：          [3 5 6]
        数据类型：      float32
        设备：         {CPU 1}
        已定义：        true
*/

// 基本张量操作
ts1 := ts.MustArange(ts.IntScalar(6), gotch.Int64, gotch.CPU).MustView([]int64{2, 3}, true)
defer ts1.MustDrop()
ts2 := ts.MustOnes([]int64{3, 4}, gotch.Int64, gotch.CPU)
defer ts2.MustDrop()

mul := ts1.MustMatmul(ts2, false)
defer mul.MustDrop()

fmt.Printf("ts1:\n%2d", ts1)
fmt.Printf("ts2:\n%2d", ts2)
fmt.Printf("mul 张量 (ts1 x ts2):\n%2d", mul)

/*
ts1:
 0   1   2  
 3   4   5  

ts2:
 1   1   1   1  
 1   1   1   1  
 1   1   1   1  

mul 张量 (ts1 x ts2):
 3   3   3   3  
12  12  12  12  
*/

// 原地操作 ts3 := ts.MustOnes([]int64{2, 3}, gotch.Float, gotch.CPU) fmt.Printf("之前:\n%v", ts3) ts3.MustAddScalar_(ts.FloatScalar(2.0)) fmt.Printf("之后 (ts3 + 2.0):\n%v", ts3)

/* 之前: 1 1 1
1 1 1

之后 (ts3 + 2.0): 3 3 3
3 3 3
*/ }


### 简化卷积神经网络

```go
import (
    "fmt"

    "github.com/sugarme/gotch"
    "github.com/sugarme/gotch/nn"
    "github.com/sugarme/gotch/ts"
)

type Net struct {
    conv1 *nn.Conv2D
    conv2 *nn.Conv2D
    fc    *nn.Linear
}

func newNet(vs *nn.Path) *Net {
    conv1 := nn.NewConv2D(vs, 1, 16, 2, nn.DefaultConv2DConfig())
    conv2 := nn.NewConv2D(vs, 16, 10, 2, nn.DefaultConv2DConfig())
    fc := nn.NewLinear(vs, 10, 10, nn.DefaultLinearConfig())

    return &Net{
        conv1,
        conv2,
        fc,
    }
}

func (n Net) ForwardT(xs *ts.Tensor, train bool) *ts.Tensor {
    xs = xs.MustView([]int64{-1, 1, 8, 8}, false)

    outC1 := xs.Apply(n.conv1)
    outMP1 := outC1.MaxPool2DDefault(2, true)
    defer outMP1.MustDrop()

    outC2 := outMP1.Apply(n.conv2)
    outMP2 := outC2.MaxPool2DDefault(2, true)
    outView2 := outMP2.MustView([]int64{-1, 10}, true)
    defer outView2.MustDrop()

    outFC := outView2.Apply(n.fc)
    return outFC.MustRelu(true)
}

func main() {

    vs := nn.NewVarStore(gotch.CPU)
    net := newNet(vs.Root())

    xs := ts.MustOnes([]int64{8, 8}, gotch.Float, gotch.CPU)

    logits := net.ForwardT(xs, false)
    fmt.Printf("对数值: %0.3f", logits)
}

//对数值: 0.000  0.000  0.000  0.225  0.321  0.147  0.000  0.207  0.000  0.000

在Google Colab或本地使用`gotch`

张量初始化 <a href="https://colab.research.google.com/github/sugarme/nb/blob/master/tensor/tensor-initiation.ipynb" target="_parent"><img src="https://yellow-cdn.veclightyear.com/835a84d5/2bc8530f-6428-4480-a812-aa7797cb17de.svg" alt="在Colab中打开"/></a>
张量索引 <a href="https://colab.research.google.com/github/sugarme/nb/blob/master/tensor/tensor-indexing.ipynb" target="_parent"><img src="https://yellow-cdn.veclightyear.com/835a84d5/2bc8530f-6428-4480-a812-aa7797cb17de.svg" alt="在Colab中打开"/></a>
MNIST <a href="https://colab.research.google.com/github/sugarme/nb/blob/master/mnist/mnist.ipynb" target="_parent"><img src="https://yellow-cdn.veclightyear.com/835a84d5/2bc8530f-6428-4480-a812-aa7797cb17de.svg" alt="在Colab中打开"/></a>
YOLO v3模型推理 <a href="https://colab.research.google.com/github/sugarme/nb/blob/master/yolo/yolo.ipynb" target="_parent"><img src="https://yellow-cdn.veclightyear.com/835a84d5/2bc8530f-6428-4480-a812-aa7797cb17de.svg" alt="在Colab中打开"/></a>
RNN模型训练
CIFAR模型训练
加载JIT ResNet18 Torch Script模型并推理
神经风格迁移
图像预训练模型 - 推理
翻译
将Pytorch Python模型转换为Go
加载Python Pytorch JIT模型然后在Go中训练/微调
图像增强