ankane/torch.rb

Torch.rb – Rubyのためのディープラーニング

概要

FacebookのLibTorch（PyTorchのC++コア）をラップするRuby gemであり、RubyでPyTorchスタイルのディープラーニングコードを記述・実行できます。
PyTorchのPython APIを密接にミラーリングしつつ、Rubyらしい調整（例：インプレース操作用の add!、ブール値チェック用の tensor?、NumPyの代わりに Numo 配列を使用）が加えられています。

主要コンポーネント

Tensor操作 – 作成（Torch.rand, Torch.zeros など）、算術演算、インデックス参照、Numo::NArray との相互変換。
Autograd – requires_grad, backward, および .grad を介した勾配アクセスによる自動微分。
ニューラルネットワーク・モジュール – Torch::NN::Module をサブクラス化してモデルを定義し、Conv2d, Linear などのレイヤーや Torch::NN::F 配下の関数ヘルパーを使用します。
オプティマイザ – 例：Torch::Optim::SGD を使用した、典型的な zero_grad, step ワークフロー。
保存/読み込み – モデルの状態辞書（state dict）のための Torch.save / Torch.load（PyTorchファイルと互換性がありますが、Python側での小さな変換に関する注記があります）。
デバイスサポート – CPU、CUDA GPU（Torch::CUDA.available?, net.cuda）、AppleシリコンのMetal（Torch::Backends::MPS）。

インストール方法

プラットフォームに適合するLibTorchビルド（CPU専用またはCUDA対応）をダウンロードします。macOS arm64の例：
```
curl -L https://download.pytorch.org/libtorch/cpu/libtorch-macos-arm64-2.14.0.zip > libtorch.zip
unzip -q libtorch.zip
```
GemがLibTorchの場所を認識できるように設定し、Gemfile に追加します：
```
bundle config set build.torch-rb --with-torch-dir=/path/to/libtorch
```
```
gem "torch-rb"
```
bundle install を実行します。コンパイルには約5〜10分かかります。Windowsはサポートされていません。

はじめに

tutorials/blitz/README.md にある60分間のブリッツ・チュートリアルに従ってください。
その他のチュートリアルでは、転移学習、シーケンスモデル、および単語埋め込み（word embeddings）を扱います。
サンプルプロジェクトには、MNIST画像分類、MovieLensコラボレーティブ・フィルタリング、およびGANが含まれます。

典型的なワークフロー（Rubyコード）

# シンプルなCNNを定義
class MyNet < Torch::NN::Module
  def initialize
    super()
    @conv1 = Torch::NN::Conv2d.new(1, 6, 3)
    @conv2 = Torch::NN::Conv2d.new(6, 16, 3)
    @fc1   = Torch::NN::Linear.new(16*6*6, 120)
    @fc2   = Torch::NN::Linear.new(120, 84)
    @fc3   = Torch::NN::Linear.new(84, 10)
  end

  def forward(x)
    x = Torch::NN::F.max_pool2d(Torch::NN::F.relu(@conv1.call(x)), [2,2])
    x = Torch::NN::F.max_pool2d(Torch::NN::F.relu(@conv2.call(x)), 2)
    x = Torch.flatten(x, 1)
    x = Torch::NN::F.relu(@fc1.call(x))
    x = Torch::NN::F.relu(@fc2.call(x))
    @fc3.call(x)
  end
end

net = MyNet.new
input = Torch.randn(1,1,32,32)
output = net.call(input)

criterion = Torch::NN::MSELoss.new
target = Torch.randn(10).view(1,-1)
loss = criterion.call(output, target)

optimizer = Torch::Optim::SGD.new(net.parameters, lr: 0.01)
optimizer.zero_grad
loss.backward
optimizer.step

デバイスの扱い

if Torch::CUDA.available?
  net.cuda               # モデルをGPUに移動
  input = input.cuda
end

またはAppleシリコンの場合：

if Torch::Backends::MPS.available?
  device = Torch.device('mps')
  net.to(device)
end

エコシステム

特定のドメイン向けのコンパニオンGem：torchvision-ruby, torchtext-ruby, torchaudio-ruby, torchcodec-ruby, torchrec-ruby, torchdata-ruby。
高レベルなツール：transformers-ruby（Transformerモデル）および safetensors-ruby（効率的なテンソル保存）。

なぜ重要なのか

言語を切り替えることなく、Ruby開発者が最新のディープラーニング・モデルを試行錯誤できるようになります。
PyTorchで使用されているものと同じ高性能なC++バックエンドを活用するため、モデルはCPUまたはGPU上でネイティブ速度で動作します。
親しみやすいAPIを通じて、Rubyコミュニティを、急速に進化するPyTorchエコシステムと同期させることができます。

リソース

ビルドステータス・バッジは、複数のプラットフォームでのCIテストを示しています。
詳細な変更履歴、コントリビューション・ガイド、およびGPUテスト用のスクリプト（AWS Deep Learning AMI）が提供されています。

Torch.rbはPyTorchのパワーをRubyに持ち込み、Rubyプログラマーにとってネイティブに感じられる、フル機能でGPU加速されたディープラーニング・スタックを提供します。

ankane/torch.rb

Torch.rb – Rubyのためのディープラーニング

関連