访问官网
Github
文档
论文
快速开始
Torchdyn提供了实用工具和层，可以轻松构建数值深度学习模型。例如，神经微分方程：
from torchdyn.core import NeuralODE
# 在这里使用你偏好的torch.nn.Module
f = nn.Sequential(nn.Conv2d(1, 32, 3),
nn.Softplus(),
nn.Conv2d(32, 1, 3)
)
nde = NeuralODE(f)
这样你就有了一个可训练的模型。你可以随意将Torchdyn类与任何PyTorch模块结合，构建复合模型。我们还提供额外的工具来构建自定义神经微分方程和隐式模型，包括数值方法的函数式API。Torchdyn不仅仅包含NeuralODE和NeuralSDE类：还有教程、各种GPU兼容数值方法的函数式API以及基准测试。
欢迎为库贡献你的基准测试、任务和数值深度学习工具！无需重复造轮子 :)
安装
稳定版本：
pip install torchdyn
或者，你可以按照"贡献"中概述的步骤，使用poetry为torchdyn构建虚拟开发环境。
文档
查看我们的文档以获取更多信息。
简介
近期的一些研究[1,2, 3, 4]重新激发了人们对微分方程、深度学习和动力系统融合的兴趣。现代深度学习框架如PyTorch，加上计算资源的进一步改进，使得神经网络的连续版本（可追溯到80年代的提议[5]）终于得以实现，为经典机器学习问题提供了新的视角。
我们探索了可微分编程如何释放深度学习的效力，以加速科学领域的进展，包括控制、流体动力学以及复杂动力系统的预测。相反，我们专注于由数值方法和信号处理驱动的模型，以推进人工智能在视觉或自然语言等经典领域的发展。
通过提供集中、易于访问的模型模板集合、教程和应用笔记本，我们希望加速这一领域的研究，并最终将神经微分方程和隐式模型确立为控制、系统识别和一般机器学习任务的有效工具。
依赖
torchdyn利用现代PyTorch最佳实践，并使用pytorch-lightning [6]处理训练。我们使用dgl [7]的图神经网络(GNNs) API构建图神经ODE。完整的参考列表，请查看pyproject.toml。我们提供了完整的ODE求解器和敏感性方法套件，扩展了torchdiffeq [1]提供的功能。我们对torchsde [7]和torchcde [8]有轻度依赖。
应用和教程
torchdyn包含各种为实践者和研究人员设计的自包含快速入门示例/教程。参考教程readme
贡献
torchdyn旨在成为一个社区努力：我们欢迎所有与连续和隐式深度学习相关的教程、模型变体、数值方法和应用的贡献。我们没有特定的风格要求，但我们认同Jeremy Howard的许多想法。
我们使用poetry来管理需求、创建虚拟Python环境和打包。要安装poetry，请参阅文档。
要设置开发环境，运行poetry install。例如，poetry run pytest将在你新创建的环境中运行所有torchdyn测试。
poetry目前不提供根据所需的cuda和OS选择torch轮子的方法，它会安装一个不支持GPU的版本。对于CUDA torch轮子，
运行poetry run poe autoinstall-torch-cuda，它将根据你的CUDA配置自动安装 PyTorch。
如果你希望在新创建的poetry环境中运行jupyter笔记本，使用poetry run ipython kernel install --user --name=torchdyn并切换笔记本内核。
**选择工作内容：**总是有正在进行的工作涉及新功能、测试和教程。如果你希望开发当前未在进行中的其他功能，请随时通过Slack或电子邮件联系我们。我们很乐意讨论细节。
引用我们
如果你发现Torchdyn对你的研究或应用项目有价值：
@article{politorchdyn,
title={TorchDyn: Implicit Models and Neural Numerical Methods in PyTorch},
author={Poli, Michael and Massaroli, Stefano and Yamashita, Atsushi and Asama, Hajime and Park, Jinkyoo and Ermon, Stefano}
}
