ankane/torch.rb

Torch.rb – 为 Ruby 提供的深度学习

它是什么

一个 Ruby gem，封装了 Facebook 的 LibTorch（PyTorch 的 C++ 核心），让你可以在 Ruby 中编写和运行类似 PyTorch 的深度学习代码。
紧密模仿 PyTorch 的 Python API，同时进行了 Ruby 风格的调整（例如，使用 add! 表示就地操作，tensor? 用于布尔检查，以及使用 Numo 数组而非 NumPy）。

核心组件

张量操作 – 创建（Torch.rand、Torch.zeros 等）、算术运算、索引，以及与 Numo::NArray 之间的转换。
自动微分（Autograd） – 通过 requires_grad、backward 和通过 .grad 访问梯度实现自动微分。
神经网络模块 – 通过继承 Torch::NN::Module 定义模型，使用 Conv2d、Linear 等层，以及 Torch::NN::F 下的功能辅助函数。
优化器 – 例如 Torch::Optim::SGD，采用典型的 zero_grad、step 工作流。
保存/加载 – 使用 Torch.save / Torch.load 保存和加载模型状态字典（与 PyTorch 文件兼容，但需注意少量 Python 端转换）。
设备支持 – 支持 CPU、CUDA GPU（Torch::CUDA.available?、net.cuda）、Apple Silicon Metal（Torch::Backends::MPS）。

安装

下载适用于你平台的匹配 LibTorch 构建版本（仅 CPU 或支持 CUDA）。例如 macOS arm64 的示例：

curl -L https://download.pytorch.org/libtorch/cpu/libtorch-macos-arm64-2.14.0.zip > libtorch.zip
unzip -q libtorch.zip

告诉 gem LibTorch 的位置，并将其添加到你的 Gemfile 中：

bundle config set build.torch-rb --with-torch-dir=/path/to/libtorch

gem "torch-rb"

运行 bundle install。编译时间约为 5–10 分钟；不支持 Windows。

快速入门

参考 tutorials/blitz/README.md 中的 60 分钟快速入门教程。
其他教程涵盖迁移学习、序列模型和词嵌入。
示例项目包括 MNIST 图像分类、MovieLens 协同过滤和 GAN。

典型工作流（Ruby 代码）

# 定义一个简单的 CNN
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

设备处理

if Torch::CUDA.available?
  net.cuda               # 将模型移动到 GPU
  input = input.cuda
end

或在 Apple Silicon 上：

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

生态系统

针对特定领域的配套 gem：torchvision-ruby、torchtext-ruby、torchaudio-ruby、torchcodec-ruby、torchrec-ruby、torchdata-ruby。
高层级工具：transformers-ruby（Transformer 模型）和 safetensors-ruby（高效张量存储）。

为何重要

让 Ruby 开发者无需切换语言即可尝试现代深度学习模型。
利用与 PyTorch 相同的高性能 C++ 后端，使模型在 CPU 或 GPU 上以原生速度运行。
通过熟悉的 API 保持 Ruby 社区与快速演进的 PyTorch 生态系统同步。

资源

构建状态徽章显示在多个平台上的 CI 测试情况。
提供详细的变更日志、贡献指南以及 GPU 测试脚本（AWS Deep Learning AMI）。

Torch.rb 将 PyTorch 的强大功能带到了 Ruby，提供了一个功能完整、支持 GPU 加速的深度学习栈，让 Ruby 程序员感觉如同原生使用一般。*

ankane/torch.rb

Torch.rb – 为 Ruby 提供的深度学习

相关