怎樣看pytorch源碼最有效？
加入技術交流群
現在深度學習項目代碼量越來越大，并且單個文件的量也非常的大。筆者總結了一些專家的經驗并結合自己看的一些項目，打算總結一下如何探索和深入一個深度學習項目庫。
1. 基礎知識
首先，需要保證有一定的深度學習基礎知識，吳恩達的深度學習課還有斯坦福大學的CS231n都是不錯的入門教程，只需要有大學數學的基礎就可以看懂。
然后，需要對Linux系統使用有一定的了解，一般選擇Ubuntu系統作為主力系統，了解一下基礎的系統命令就可以了，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就已經達到上手水平了。深度學習框架一般選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，可以關注一些領域相關的大牛、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。
項目背景調研：
項目是否是對應一篇論文？如果對應論文，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：
數據處理、數據加載部分，通常命名可能有xxx_dataloader.py等
網絡模型構建部分，通常命名可能為 resnet20.py model.py等
訓練部分腳本，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。
根據文件夾、文件的命名，判斷其可能的功能。一般在深度學習項目中，通常有幾部分組成：
舉個例子，以once for all項目為例：
.
├── build.sh # 環(huán)境構建 ├── eval_ofa_net.py ├── eval_specialized_net.py # 驗證專用網絡 ├── 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 # 數據加載 │ │ ├── elastic_nn # 算法核心模塊 │ │ ├── __init__.py │ │ ├── networks # 網絡構建 │ │ └── run_manager # 訓練代碼核心邏輯 │ ├── __init__.py │ ├── model_zoo.py # 模型庫 │ ├── nas # nas相關工具 │ │ ├── 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構建環(huán)境所需文件 ├── train_ofa_net.py # 訓練腳本 └── 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容。
用IDE打開項目：
閱讀入口文件的邏輯，查看調用到了哪些包。
通過IDE的功能跳轉到對應類或者函數進行繼續(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，反復理解核心實現，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系方式，可以聯系作者，發(fā)郵件提問。
看看有沒有其他人寫過相關的博客。
3. 參考
https://www.zhihu.com/question/26480537
https://www.zhihu.com/question/29416073/answer/44301979
https://github.com/phodal/articles/issues/14
*博客內容為網友個人發(fā)布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。
linux操作系統文章專題:linux操作系統詳解（linux不再難懂） 分頻器相關文章:分頻器原理
