第八章：PyTorch生态简介 — 深入浅出PyTorch   datawhale ai 共学

datasets / transforms / model-zoo / audio & text

---

8.1 生态概览

领域	官方包	用途
CV	torchvision	图像/视频数据集、数据增强、预训练模型
NLP	torchtext	文本数据处理、词表、常见数据集
Audio	torchaudio	音频 I/O、特征、datasets、pipelines
Video	pytorchvideo	SOTA 视频模型 & pipeline (Meta)
Graphs	torch_geometric	GNN 旗舰库 (生态外)

---

8.2 torchvision

8.2.1 datasets 

from torchvision import datasets, transforms
train_ds = datasets.CIFAR10(root='./data',
                            train=True,
                            download=True,
                            transform=transforms.ToTensor())

• 1. root：本地缓存目录。

  2. download=True：如不存在本地文件则从 mirror 自动拉取

  3. transform：对 单张 样本调用，不对 batch 起效

症状	原因	修复
下载卡死 0B/s	默认站点被墙	TORCHVISION_DOWNLOAD_MIRRORS=http://download.pytorch.org 或换清华镜像
爆内存	FakeData 默认 1000×3×224×224	指定 size= & image_size=

---

8.2.2 transforms 

from torchvision import transforms
from PIL import Image
import matplotlib.pyplot as plt

img = Image.open("./figures/lenna.jpg")      # ① 读入 PIL.Image
trans = transforms.Compose([                 # ② pipeline
    transforms.Resize(256),                  # 等比 ⇒ 短边 256
    transforms.CenterCrop(224),              # 中心裁 224²
    transforms.ColorJitter(0.4,0.4,0.4,0.1), # 随机亮度/对比度/饱和/色调
    transforms.ToTensor(),                   # [0,255] PIL ⇒ [0,1] Tensor
    transforms.Normalize(                    # 标准化(Imagenet 统计值)
        mean=[0.485,0.456,0.406],
        std =[0.229,0.224,0.225])
])

t_img = trans(img)                           # ③ 调用

报错	含义	解决
TypeError: pic should be PIL Image	在 ToTensor 前用了 plt.imread	保持 PIL 或改用 transforms.ToPILImage()
图像全黑	ColorJitter 参数太大	控制在 0–0.5 范围

拓展

• RandAug / TrivialAug 已内置于 torchvision.transforms.v2 (≥0.15)

• 批量增强 用 torchvision.transforms.functional + vmap / for，Compose 仅对 sample

---

8.2.3 models 

import torchvision.models as models

net = models.resnet18(weights='IMAGENET1K_V1')   # ① 加载权重
net.fc = torch.nn.Linear(net.fc.in_features, 4)  # ② 微调到 4 类

• weights 新接口 (0.13+)；旧 pretrained=True 已 deprecated

• 微调时记得 for p in net.parameters(): p.requires_grad = False 再解冻 fc

---

8.3 PyTorchVideo

1. Hub 调用

import torch
model = torch.hub.load('facebookresearch/pytorchvideo',
                       model='slowfast_r50',
                       pretrained=True)
model.eval()

2. 输入尺寸

(B, C=3, T, H, W)，默认 32 x 3 clip

clip = torch.randn(1, 3, 32, 224, 224)
with torch.no_grad(): logits = model(clip)

常见错误
RuntimeError: Given groups=1, weight ... → 维度顺序，把 (B,C,H,W,T) 写反

---

8.4 torchtext

8.4.1 快速流水线

from torchtext.data import Field, BucketIterator
from torchtext.datasets import IMDB

token = lambda x: x.split()
TEXT  = Field(tokenize=token, lower=True, batch_first=True)
LABEL = Field(sequential=False, unk_token=None)

train_ds, test_ds = IMDB.splits(TEXT, LABEL)
TEXT.build_vocab(train_ds, max_size=20000, vectors='glove.6B.100d')
LABEL.build_vocab(train_ds)

train_iter, test_iter = BucketIterator.splits(
        (train_ds, test_ds), batch_size=32, sort_key=lambda x: len(x.text))

• 踩坑：新版 torchtext (0.12+) 移除了上面老接口，需要用 torchtext.legacy 或新 API (torchtext.data.functional, torchtext.datasets.IMDB(split='train'))

---

8.5 torchaudio

8.5.1 基础 I/O

import torchaudio
wave, sr = torchaudio.load('speech.wav')        # (channel, time)

resample  = torchaudio.transforms.Resample(sr, 16_000)
mel_spect = torchaudio.transforms.MelSpectrogram(16_000)

feat = mel_spect(resample(wave))                # (C, n_mels, frames)

8.5.2 预训练 ASR

bundle = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H
asr    = bundle.get_model().eval()
tokens = asr(wave.unsqueeze(0))             # logits

需求	方案
移动端 on-device 推理	torchaudio.models.emformer_rnnt + TorchScript
多 说话人	Asteroid, SpeechBrain 社区项目

---

常见跨包报错速查表

Error	触发场景	修正
libsox not found	torchaudio I/O	conda install -c conda-forge sox
No module named 'pathlib'	老 Python	>=3.7
TypeError: expected scalar type Double but found Float	torchaudio + GPU	.to(dtype=torch.float32)

---

Checklist 

1. 版本对齐：torch == torchvision == torchaudio major/minor 相同

2. 数据 Aug：影像 transforms.v2，音频 torchaudio.sox_effects.apply_effects_tensor，文本 nlpaug。

3. 模型 Zoo：Torch-Hub（CV/Video）+ torchaudio.pipelines（Audio）+ transformers（NLP）

4. 可视化：torchinfo（结构）+ TensorBoard / wandb（指标）

5. 部署：移动端 → PyTorchVideo accelerator; 服务器 → torch.compile ≥2.0。