怎樣看pytorch源碼最有效？

現(xiàn)在深度學(xué)習項目代碼量越來越大，并且單個文件的量也非常的大。筆者總結(jié)了一些專家的經(jīng)驗并結(jié)合自己看的一些項目，打算總結(jié)一下如何探索和深入一個深度學(xué)習項目庫。

1. 基礎(chǔ)知識

首先，需要保證有一定的深度學(xué)習基礎(chǔ)知識，吳恩達的深度學(xué)習課還有斯坦福大學(xué)的CS231n都是不錯的入門教程，只需要有大學(xué)數(shù)學(xué)的基礎(chǔ)就可以看懂。

然后，需要對Linux系統(tǒng)使用有一定的了解，一般選擇Ubuntu系統(tǒng)作為主力系統(tǒng)，了解一下基礎(chǔ)的系統(tǒng)命令就可以了，比如rm,ls,cd,cat,vim,sudo,find,df,top等，在B站上搜索一下Linux的視頻，很快就可以入門。之后遇到新的命令只需要查詢API即可。

其次，還需要保證對python語言和深度學(xué)習框架的了解，python上手是很快的，可以看一下菜鳥教程或者莫煩python教程，上首頁很快。深度學(xué)習框架方面可以買一些書籍，邊看邊敲，找一個小項目敲一敲，了解一下大部分API就已經(jīng)達到上手水平了。深度學(xué)習框架一般選tensorflow、pytorch，因為大部分項目大多是基于這兩個框架的。他們官方網(wǎng)站的教程也是非常不錯的參考，可以看看官方提供的教程，跑一下github上提供的demo。

最后，營造科研的環(huán)境，可以關(guān)注一些領(lǐng)域相關(guān)的大牛、公眾號，也可以加入一些交流群，多和群友交流，盡可能提升領(lǐng)域的常識。不要亂問問題，一定要有自己的思考和想法，然后再到群里問問題和交流。

2. 項目分析閱讀

從Github上拿到一個項目，可以按照以下的步驟進行分析和閱讀。

項目背景調(diào)研：

項目是否是對應(yīng)一篇論文？如果對應(yīng)論文，可以先閱讀一下Paper，對背景和項目的細節(jié)有一個大概的了解。

項目是否有說明文檔？一般比較大型的項目，比如pytorch,nni,mmdetection等較多人維護的項目是會在readthedoc上提供說明書，建議優(yōu)先閱讀說明。

項目是否有README？README文件通常包含了項目創(chuàng)建者想要告訴你的信息，對于一些專業(yè)的項目庫而言，閱讀README文件絕對對你理解整個項目代碼有幫助。

什么都沒有？？極少數(shù)會遇到這種情況，但如果遇到的話，就進行下一個階段吧。

通過文件命名分析：

數(shù)據(jù)處理、數(shù)據(jù)加載部分，通常命名可能有xxx_dataloader.py等

網(wǎng)絡(luò)模型構(gòu)建部分，通常命名可能為 resnet20.py model.py等

訓(xùn)練部分腳本，通常命名可能為train.py等

測試部分腳本，通常命名可能為test.py eval.py 等

工具庫，通常命名為utils文件夾。

根據(jù)文件夾、文件的命名，判斷其可能的功能。一般在深度學(xué)習項目中，通常有幾部分組成：

舉個例子，以once for all項目為例：

.

├── build.sh # 環(huán)境構(gòu)建
├── eval_ofa_net.py
├── eval_specialized_net.py # 驗證專用網(wǎng)絡(luò)
├── figures
│   ├── cnn_imagenet_new.png
│   ├── diverse_hardware.png
│   ├── imagenet_80_acc.png
│   ├── ofa-tutorial.jpg
│   ├── overview.png
│   └── video_figure.png
├── LICENSE
├── ofa 
│   ├── imagenet_classification 
│   │   ├── data_providers # 數(shù)據(jù)加載
│   │   ├── elastic_nn # 算法核心模塊
│   │   ├── __init__.py
│   │   ├── networks # 網(wǎng)絡(luò)構(gòu)建
│   │   └── run_manager # 訓(xùn)練代碼核心邏輯
│   ├── __init__.py
│   ├── model_zoo.py # 模型庫
│   ├── nas # nas相關(guān)工具
│   │   ├── accuracy_predictor
│   │   ├── efficiency_predictor
│   │   ├── __init__.py
│   │   └── search_algorithm
│   ├── tutorial # 教程
│   │   ├── accuracy_predictor.py
│   │   ├── evolution_finder.py
│   │   ├── flops_table.py
│   │   ├── imagenet_eval_helper.py
│   │   ├── __init__.py
│   │   └── latency_table.py
│   └── utils # 工具庫
│       ├── common_tools.py
│       ├── flops_counter.py
│       ├── __init__.py
│       ├── layers.py
│       ├── my_dataloader
│       ├── my_modules.py
│       ├── pytorch_modules.py
│       └── pytorch_utils.py
├── README.md # 項目介紹，初次接觸需要閱讀
├── requirements.txt # 環(huán)境文件
├── setup.py # pip構(gòu)建環(huán)境所需文件
├── train_ofa_net.py # 訓(xùn)練腳本
└── tutorial # 教程
    ├── local_lut.npy
    ├── ofa.ipynb
    ├── ofa_resnet50_example.ipynb
    └── README.md

找到程序運行入口：

第一類bug，環(huán)境不兼容導(dǎo)致的bug，嚴格按照作者提供的運行環(huán)境，并對照環(huán)境的版本信息，對齊本地環(huán)境和作者要求的環(huán)境。

第二類bug，深度學(xué)習框架帶來的bug，這部分bug可以在bing上進行搜索，查看解決方案。

第三類bug，項目本身相關(guān)的bug，這類bug最好是在github的issue區(qū)域進行查找，如果無法解決可以在issue部分詳細描述自己的問題，等待項目庫作者的解答。

通過上一步的分析，找到了項目的介紹的話，在自己機器上完成環(huán)境配置。

一般可以找到項目運行的主入口，比如train.py，試著運行項目。

遇見bug怎么辦？

運行順利的話，代表可以進行debug操作，對文件某些細節(jié)不確定的話，可以通過debug的方式查看變量詳細內(nèi)容。

用IDE打開項目：

閱讀入口文件的邏輯，查看調(diào)用到了哪些包。

通過IDE的功能跳轉(zhuǎn)到對應(yīng)類或者函數(shù)進行繼續(xù)閱讀，配合代碼注釋進行分析。

分析過程可能會需要軟件工程的知識，比如畫一個類圖來表述項目的關(guān)系。

一開始可以泛讀，大概了解整體流程，做一些代碼注釋。而后可以精讀，找到文章的核心，反復(fù)理解核心實現(xiàn)，抽絲剝繭，一定可以對這個項目有進一步的理解。

筆者是vscode黨，推薦使用vscode+scp+mobaxterm+遠程服務(wù)器的方式進行運行。

打開項目以后，從運行入口（通常是train.py）開始閱讀：

實在讀不懂怎么辦？

在Github的issue上進行提問。

如果有項目作者的聯(lián)系方式，可以聯(lián)系作者，發(fā)郵件提問。

看看有沒有其他人寫過相關(guān)的博客。

3. 參考

https://www.zhihu.com/question/26480537

https://www.zhihu.com/question/29416073/answer/44301979

https://github.com/phodal/articles/issues/14