近日，机器之心在 GitHub 上发现了一个 DIY 教学库——MiniTorch，该库适用于希望了解深度学习（DL）系统底层实质概念的机器学习工程师。

MiniTorch 是一个 Torch API 的纯 Python 重新实现，展示了从零开始构建一个张量和自动微分库。最终得到的库能够运行 Torch 代码。

​​

 项目地址：https://github.com/minitorch/minitorch

项目创建者为康奈尔大学副教授（pre-tenure）Alexander Rush，该项目是为纽约校区 Cornell Tech 的「机器学习工程」课程开发的。这是一门硕士课程，涵盖了训练、调整、调试、可视化和部署 ML 系统中的系统级问题。

​​

在开始构建库之前，用户首先需要根据 Setup 的步骤创建自己的工作区域（workspace）。

Setup 地址：https://minitorch.github.io/setup

然后，按照如下顺序创建必要的模块：

模块 0：Fundamental模块 1：Autodiff模块 2：Tensors模块 3：Efficiency模块 4：Networks

项目需要极少的计算资源。用户可在 GitHub 上找到模块启动代码，并且每个模块都从前面的模块中获得增益。

模块 0：Fundamentals

Fundamentals 一个入门模块，主要介绍了几种用于之后模块中测试和调试的核心技术，也涵盖了一些基础的数学基础。用户在这个模块中将开始构建 MiniTorch 的一些基础设施。

​​

所有的启动代码可见：https://github.com/minitorch/Module-0

此外，每个模块有一组指南（Guides）来帮助完成这些任务。

模块 1：Autodiff

Autodiff 是在模块 0 的基础上构建的，向用户展示了如何仅使用标量（scalar）值来创建 MiniTorch 的第一个版本（mini-MiniTorch），涵盖了系统中的关键技术——自动微分。然后，用户即可以使用代码训练一个原始模型。

​​

所有的启动代码可见：https://github.com/minitorch/Module-1

开始前，记得首先要激活自己的虚拟环境，然后 clone 配置：

​​

模块 2：Tensors

现在已经有了一个围绕标量构建的完全开发的自动微分系统。但是，该系统在训练期间效率低下。每个标量值需要构建一个对象，并且每个操作需要存储之前创建的所有值的图。训练需要重复上述操作，运行线性模型等模型需要对网络中的每个项进行 for 循环。

Tensors 模块引入和实现的一个张量（tensor）对象可以解决这些问题。张量将很多重复的操作组合在一起，以节省 Python 开销并将组合后的操作传递给更快的实现。

​​

所有启动器代码可见：https://github.com/minitorch/Module-2

开始前，用户依然首先要激活虚拟环境，然后 clone 配置：

​​

模块 3：Efficiency

除了有助于简化代码之外，张量还为加速计算提供了基础。事实上，它们确实是使用 Python 等慢速语言高效编写深度学习代码的唯一方法。然而，到目前为止，我们所做的一切都没有比基本面更快。该模块专注于利用张量编写快速代码，首先在标准 CPU 上，然后使用 GPU。

所有启动器代码可见：https://github.com/minitorch/Module-3

同模块 1 和模块 2 一样，用户需要首先激活虚拟环境，然后 clone 配置：

​​

模块 4：Networks

​​

我们现在拥有一个功能齐全的深度学习库，具有像 Torch 这样的真实工业系统的大部分功能。为了利用这项艰苦的工作，该模块完全基于使用软件框架。特别是，我们将构建一个图像识别系统。我们将通过为 MNIST 上的 LeNet 版本构建基础架构来实现这一点：用于数字识别的经典卷积神经网络 (CNN)，以及用于 NLP 情感分类的 1D conv。

​​

所有启动器代码可见：https://github.com/minitorch/Module-4

用户依然需要激活虚拟环境，并 clone 配置：

​​

此外，用户还需要安装和下载一个 MNIST 库。注意，Mac OS 用户可能需要安装 wget 来运行. sh 文件。

​​

这样会在模块中添加一个 data / 目录。用户可以尝试用以下代码对安装进行测试：

​​