本页面涵盖了labml_nn库的安装过程和初始设置，该库提供了深度学习论文的带注释实现。有关文档系统本身的信息，请参阅文档系统。
labml_nn包是各种深度学习算法和架构的 PyTorch 实现集合，并带有详细注释。这些实现旨在具有教育意义，并附有解释代码的侧边笔记。
来源: setup.py6-44
您可以使用 pip 安装labml_nn包，或者通过克隆存储库并从源代码安装。
最简单的方法是直接从 PyPI 安装
pip install labml-nn
这将安装该包及其所有必需的依赖项。
来源: setup.py6-44
对于最新版本或用于开发
克隆仓库
git clone https://github.com/labmlai/annotated_deep_learning_paper_implementations.git
导航到克隆的目录
cd annotated_deep_learning_paper_implementations
安装包和依赖项
pip install -e .
-e标志以可编辑模式安装包，这对于开发很有用。
来源: setup.py6-44
labml_nn包依赖于其他几个库。以下是需求的细分
| 依赖项 | 最低版本 | 目的 |
|---|---|---|
| torch | 1.10 | PyTorch - 深度学习框架 |
| torchvision | 0.11 | 用于 PyTorch 的计算机视觉工具 |
| torchtext | 0.11 | 用于 PyTorch 的文本处理工具 |
| labml | 0.4.147 | 实验跟踪工具包 |
| labml-helpers | 0.4.84 | labml 的辅助工具 |
| numpy | 1.19 | 数值计算 |
| einops | 0.3.0 | 张量操作简化 |
这些依赖项是特定实现所必需的
| 依赖项 | 用于 |
|---|---|
| matplotlib | 可视化 |
| gym[atari] | 强化学习环境 |
| opencv-python | 计算机视觉处理 |
| Pillow | 图像处理 |
| faiss | 高效相似性搜索 |
| fairscale | 分布式训练 |
来源: setup.py23-30 requirements.txt1-12
使用 labml_nn 代码库时，您会遇到以下目录结构
| 目录 | 目的 |
|---|---|
| labml_nn/ | 主要实现代码 |
| labml_nn/transformers/ | Transformer 模型实现 |
| labml_nn/diffusion/ | Diffusion 模型实现 |
| labml_nn/gan/ | GAN 实现 |
| labml_nn/rl/ | 强化学习算法 |
| labml_nn/optimizers/ | 优化算法 |
| docs/ | 生成的文档 |
许多实现都包含 Python notebook 版本，展示了实现的使用方法。
来源: setup.py18-22 .gitignore1-19
如果您打算贡献或修改实现，以下是设置开发环境的方法
创建并激活虚拟环境（推荐）
python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate
克隆存储库（如果尚未完成）
git clone https://github.com/labmlai/annotated_deep_learning_paper_implementations.git
cd annotated_deep_learning_paper_implementations
安装所有开发依赖项
pip install -r requirements.txt
以可编辑模式安装包
pip install -e .
来源: setup.py6-44 requirements.txt1-12
您可以选择使用.labml.yaml文件配置跟踪设置。这会影响实验指标的跟踪和日志记录方式。
来源: .labml.yaml1-22
安装包后，您可以从库中导入特定的实现。以下是使用方法
大多数实现都包含示例，展示了如何训练和评估模型。
labml_nn包与labml包协同工作，后者提供了实验跟踪和日志记录功能。这种集成允许您
有关这些功能的更多详细信息，请参阅主文档。