catalyst: 一個用於加速深度學習 R&D 的 PyTorch 框架，可消除訓練迴圈的樣板程式碼

它解決了什麼問題

Catalyst 是為了消除與 PyTorch 訓練迴圈相關的重複性樣板程式碼而設計的。它允許研究人員和開發人員以極少的程式碼實現功能齊全的深度學習流水線——包括指標、早停（early stopping）和模型檢查點（model checkpointing）——從而專注於實驗而非基礎設施。

運作方式

它提供了一個建立在 PyTorch 之上的高階框架，用於抽象化訓練過程。使用者可以使用 SupervisedRunner 進行標準任務，或者建立一個 CustomRunner 來定義特定的批次處理和模型推論步驟。該框架整合了用於追蹤指標（例如準確度、精確度與召回率）的回調函數（callbacks），並提供用於模型後處理的工具函數，例如量化、剪枝和 ONNX 匯出。

對象是誰

它旨在服務於深度學習研究人員和開發人員，他們希望透過使用可重複且可重複使用的程式碼庫來加速其 R&D 週期，以便使用 PyTorch 模型進行訓練、評估和預測。

重點特性

• 減少樣板程式碼：使用結構化的 train 方法取代手動的 for-loops。
• 整合指標：內建用於常見指標（如 Accuracy、F1-score 和 AUC）的回調函數。
• 模型優化：用於模型追蹤、量化、剪枝和匯出至 ONNX 的工具。
• 靈活的架構：同時支援高階的監督式 runner 和用於複雜邏輯的完全自定義 runner。