作者：CSDN @ _养乐多_
labml-nn库集合了多种神经网络和相关算法的简单 PyTorch 实现，可以帮助我们快速开发深度学习模型。并配有逐行解释代码的文档。
一、网站
给大家分享一个深度学习模型代码逐行解释网站（https://nn.labml.ai/），主流模型都包含在里面。
该网站中文翻译网站：https://nn.labml.ai/zh/
该网站可以逐行解释深度模型代码。
二、主要包含的模型
主要包含的模型有
| 类型 | 项目 |
|---|---|
| Transformers | 多头注意力、Transformer构建模块、Transformer XL、相对多头注意力、旋转位置嵌入（RoPE）、带线性偏置的注意力（ALiBi）、RETRO、压缩Transformer、GPT架构、GLU变种、kNN-LM: 通过记忆实现泛化、反馈Transformer、开关Transformer、快速权重Transformer、FNet、无注意力Transformer、掩码语言模型、MLP-Mixer: 用于视觉的全MLP架构、关注MLPs（gMLP）、视觉Transformer（ViT）、Primer EZ、Hourglass |
| Eleuther GPT-NeoX | 在48GB GPU上生成、在两个48GB GPU上微调、LLM.int8() |
| 扩散模型（Diffusion models） | 降噪扩散概率模型（DDPM）、降噪扩散隐式模型（DDIM）、潜在扩散模型、稳定扩散 |
| 生成对抗网络（Generative Adversarial Networks） | 原始GAN、具有深度卷积网络的GAN、Cycle GAN、Wasserstein GAN、具有梯度惩罚的Wasserstein GAN、StyleGAN 2 |
| 递归高速公路网络（Recurrent Highway Networks） | 循环公路网络 |
| LSTM | |
| HyperNetworks - HyperLSTM | 超网络 - HyperLSTM |
| ResNet | 残差网络 |
| ConvMixer | |
| 胶囊网络（Capsule Networks） | |
| U-Net | |
| Sketch RNN | |
| 图神经网络（Graph Neural Networks） | 图注意力网络（GAT）、图注意力网络v2（GATv2） |
| 强化学习（Reinforcement Learning） | 近端策略优化与广义优势估计、具有双网络、优先回放和双Q网络的深度Q网络 |
| 反事实遗憾最小化（CFR） | 用 CFR 解决信息不完全的游戏，例如扑克。库恩扑克 |
| 优化器（Optimizers） | Adam、AMSGrad、具有预热的Adam优化器、Noam优化器、修正的Adam优化器、AdaBelief优化器、Sophia-G优化器 |
| 标准化层（Normalization Layers） | 批标准化、层标准化、实例标准化、组标准化、权重标准化、批-通道标准化、DeepNorm |
| 蒸馏（Distillation） | |
| 自适应计算（Adaptive Computation） | PonderNet |
| 不确定性（Uncertainty） | 用于分类不确定性量化的证据深度学习 |
| 激活函数（Activations） | 模糊平铺激活（Fuzzy Tiling Activations） |
| 语言模型抽样技术（Language Model Sampling Techniques） | 贪婪抽样、温度抽样、前k个抽样、核抽样（Nucleus Sampling） |
| 可扩展训练/推理（Scalable Training/Inference） | Zero3内存优化 |
三、github代码
https://github.com/labmlai/annotated_deep_learning_paper_implementations/tree/master/labml_nn
四、pip安装
pip install labml-nn
