評價此頁

★ ★ ★ ★ ★

AveragedModel#

class torch.optim.swa_utils.AveragedModel(model, device=None, avg_fn=None, multi_avg_fn=None, use_buffers=False)[原始碼]#

實現用於隨機權重平均 (SWA) 和指數移動平均 (EMA) 的平均模型。

隨機權重平均由 Pavel Izmailov, Dmitrii Podoprikhin, Timur Garipov, Dmitry Vetrov 和 Andrew Gordon Wilson 在論文 Averaging Weights Leads to Wider Optima and Better Generalization (UAI 2018) 中提出。

指數移動平均是 Polyak 平均的一個變種，但使用了指數權重而不是迭代中的相等權重。

AveragedModel 類在 device 裝置上建立提供的模組 model 的副本，並允許計算 model 引數的執行平均值。

引數

model (torch.nn.Module) – 用於 SWA/EMA 的模型
device (torch.device, optional) – 如果提供，平均模型將儲存在 device 上
avg_fn (function, optional) – 用於更新引數的平均函式；該函式必須接受 AveragedModel 引數的當前值、model 引數的當前值以及已平均的模型數量；如果為 None，則使用等權重平均（預設：None）
multi_avg_fn (function, optional) – 用於原地更新引數的平均函式；該函式必須接受一個列表形式的 AveragedModel 引數的當前值、一個列表形式的 model 引數的當前值以及已平均的模型數量；如果為 None，則使用等權重平均（預設：None）
use_buffers (bool) – 如果為 True，則將計算模型引數和緩衝區（buffers）的執行平均值。（預設：False）

示例

>>> loader, optimizer, model, loss_fn = ...
>>> swa_model = torch.optim.swa_utils.AveragedModel(model)
>>> scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer,
>>>                                     T_max=300)
>>> swa_start = 160
>>> swa_scheduler = SWALR(optimizer, swa_lr=0.05)
>>> for i in range(300):
>>>      for input, target in loader:
>>>          optimizer.zero_grad()
>>>          loss_fn(model(input), target).backward()
>>>          optimizer.step()
>>>      if i > swa_start:
>>>          swa_model.update_parameters(model)
>>>          swa_scheduler.step()
>>>      else:
>>>          scheduler.step()
>>>
>>> # Update bn statistics for the swa_model at the end
>>> torch.optim.swa_utils.update_bn(loader, swa_model)

您也可以使用 avg_fn 或 multi_avg_fn 引數來自定義平均函式。如果未提供平均函式，則預設情況下將計算權重的等權重平均（SWA）。

示例

>>> # Compute exponential moving averages of the weights and buffers
>>> ema_model = torch.optim.swa_utils.AveragedModel(model,
>>>             torch.optim.swa_utils.get_ema_multi_avg_fn(0.9), use_buffers=True)

注意

當使用 SWA/EMA 處理包含 Batch Normalization 的模型時，您可能需要更新 Batch Normalization 的啟用統計量。這可以透過使用 torch.optim.swa_utils.update_bn() 或將 use_buffers 設定為 True 來完成。第一種方法在訓練後步驟中透過將資料透過模型來更新統計量。第二種方法在引數更新階段透過平均所有緩衝區來完成。經驗表明，更新歸一化層中的統計量可以提高準確性，但您可能需要透過實驗來確定哪種方法在您的特定問題上效果最好。

注意

avg_fn 和 multi_avg_fn 不會在模型的 state_dict() 中儲存。

注意

當第一次呼叫 update_parameters() 時（即 n_averaged 為 0），model 的引數會被複制到 AveragedModel 的引數中。每次後續呼叫 update_parameters() 時，都會使用 avg_fn 函式來更新引數。

add_module(name, module)[原始碼]#

將子模組新增到當前模組。

可以使用給定的名稱作為屬性訪問該模組。

引數

name (str) – 子模組的名稱。子模組可以透過給定名稱從該模組訪問。
module (Module) – 要新增到模組中的子模組。

apply(fn)[原始碼]#

將 fn 遞迴應用於每個子模組（由 .children() 返回）以及自身。

典型用途包括初始化模型的引數（另請參閱 torch.nn.init）。

引數: fn (Module -> None) – 要應用於每個子模組的函式
返回: self
返回型別: 模組

示例

>>> @torch.no_grad()
>>> def init_weights(m):
>>>     print(m)
>>>     if type(m) == nn.Linear:
>>>         m.weight.fill_(1.0)
>>>         print(m.weight)
>>> net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
>>> net.apply(init_weights)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)

bfloat16()[原始碼]#

將所有浮點引數和緩衝區轉換為 bfloat16 資料型別。

注意

此方法就地修改模組。

返回: self
返回型別: 模組

buffers(recurse=True)[原始碼]#

返回模組緩衝區的迭代器。

引數: recurse (bool) – 如果為 True，則會生成此模組及所有子模組的緩衝區。否則，只生成此模組的直接成員緩衝區。
生成: torch.Tensor – 模組緩衝區
返回型別: Iterator[Tensor]

示例

>>> for buf in model.buffers():
>>>     print(type(buf), buf.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

children()[原始碼]#

返回直接子模組的迭代器。

生成: Module – 子模組
返回型別: Iterator[Module]

compile(*args, **kwargs)[原始碼]#

使用 torch.compile() 編譯此模組的 forward。

此模組的 __call__ 方法已編譯，所有引數將按原樣傳遞給 torch.compile()。

有關此函式引數的詳細資訊，請參閱 torch.compile()。

cpu()[原始碼]#

將所有模型引數和緩衝區移動到 CPU。

注意

此方法就地修改模組。

返回: self
返回型別: 模組

cuda(device=None)[原始碼]#

將所有模型引數和緩衝區移動到 GPU。

這也會使相關的引數和緩衝區成為不同的物件。因此，如果模組在最佳化時將駐留在 GPU 上，則應在構建最佳化器之前呼叫此函式。

注意

此方法就地修改模組。

引數: device (int, optional) – 如果指定，所有引數都將複製到該裝置。
返回: self
返回型別: 模組

double()[原始碼]#

將所有浮點引數和緩衝區轉換為 double 資料型別。

注意

此方法就地修改模組。

返回: self
返回型別: 模組

eval()[原始碼]#

將模組設定為評估模式。

這僅對某些模組有影響。有關模組在訓練/評估模式下的行為，例如它們是否受影響（如 Dropout、BatchNorm 等），請參閱具體模組的文件。

這等同於 self.train(False)。

請參閱區域性停用梯度計算，瞭解 .eval() 與一些可能與之混淆的類似機制之間的比較。

返回: self
返回型別: 模組

extra_repr()[原始碼]#

返回模組的額外表示。

要列印自定義額外資訊，您應該在自己的模組中重新實現此方法。單行和多行字串均可接受。

返回型別: str

float()[原始碼]#

將所有浮點引數和緩衝區轉換為 float 資料型別。

注意

此方法就地修改模組。

返回: self
返回型別: 模組

forward(*args, **kwargs)[原始碼]#: 前向傳播。

get_buffer(target)[原始碼]#

返回由 target 給定的緩衝區（如果存在），否則丟擲錯誤。

有關此方法功能的更詳細解釋以及如何正確指定 target，請參閱 get_submodule 的文件字串。

引數: target (str) – 要查詢的緩衝區的完整限定字串名稱。（有關如何指定完整限定字串，請參閱 get_submodule。）
返回: 由 target 引用的緩衝區
返回型別: torch.Tensor
引發: AttributeError – 如果目標字串引用了無效路徑或解析為非緩衝區項。

get_extra_state()[原始碼]#

返回要包含在模組 state_dict 中的任何額外狀態。

如果您的模組需要儲存額外狀態，請實現此函式以及對應的 set_extra_state()。此函式在構建模組的 state_dict() 時被呼叫。

注意，為了保證 state_dict 的序列化工作正常，額外狀態應該是可被 pickle 的。我們僅為 Tensors 的序列化提供向後相容性保證；其他物件的序列化形式若發生變化，可能導致向後相容性中斷。

返回: 要儲存在模組 state_dict 中的任何額外狀態
返回型別: 物件

get_parameter(target)[原始碼]#

如果存在，返回由 target 給定的引數，否則丟擲錯誤。

有關此方法功能的更詳細解釋以及如何正確指定 target，請參閱 get_submodule 的文件字串。

引數: target (str) – 要查詢的引數的完整限定字串名稱。（有關如何指定完整限定字串，請參閱 get_submodule。）
返回: 由 target 引用的引數
返回型別: torch.nn.Parameter
引發: AttributeError – 如果目標字串引用了無效路徑或解析為非 nn.Parameter 項。

get_submodule(target)[原始碼]#

如果存在，返回由 target 給定的子模組，否則丟擲錯誤。

例如，假設您有一個 nn.Module A，它看起來像這樣

A(
    (net_b): Module(
        (net_c): Module(
            (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2))
        )
        (linear): Linear(in_features=100, out_features=200, bias=True)
    )
)

(圖示了一個 nn.Module A。 A 包含一個巢狀子模組 net_b，該子模組本身有兩個子模組 net_c 和 linear。 net_c 隨後又有一個子模組 conv。)

要檢查是否存在 linear 子模組，可以呼叫 get_submodule("net_b.linear")。要檢查是否存在 conv 子模組，可以呼叫 get_submodule("net_b.net_c.conv")。

get_submodule 的執行時複雜度受 target 中模組巢狀深度的限制。與 named_modules 的查詢相比，後者的複雜度是按傳遞模組數量計算的 O(N)。因此，對於簡單地檢查某個子模組是否存在，應始終使用 get_submodule。

引數: target (str) – 要查詢的子模組的完整限定字串名稱。（如上例所示，如何指定完整限定字串。）
返回: 由 target 引用的子模組
返回型別: torch.nn.Module
引發: AttributeError – 如果在 target 字串解析出的路徑中的任何一點，(子)路徑解析為一個不存在的屬性名或一個非 nn.Module 例項的物件。

half()[原始碼]#

將所有浮點引數和緩衝區轉換為 half 資料型別。

注意

此方法就地修改模組。

返回: self
返回型別: 模組

ipu(device=None)[原始碼]#

將所有模型引數和緩衝區移動到 IPU。

這也會使關聯的引數和緩衝區成為不同的物件。因此，如果模組在最佳化時將駐留在 IPU 上，則應在構建最佳化器之前呼叫它。

注意

此方法就地修改模組。

引數: device (int, optional) – 如果指定，所有引數都將複製到該裝置。
返回: self
返回型別: 模組

load_state_dict(state_dict, strict=True, assign=False)[原始碼]#

將 state_dict 中的引數和緩衝區複製到此模組及其子模組中。

如果 strict 為 True，則 state_dict 的鍵必須與此模組的 state_dict() 函式返回的鍵完全匹配。

警告

如果 assign 為 True，則最佳化器必須在呼叫 load_state_dict 之後建立，除非 get_swap_module_params_on_conversion() 為 True。

引數

state_dict (dict) – 包含引數和持久緩衝區的字典。
strict (bool, optional) – 是否嚴格執行 state_dict 中的鍵與此模組的 state_dict() 函式返回的鍵匹配。預設值：True
assign (bool, optional) – 當設定為 False 時，將保留當前模組中張量的屬性；設定為 True 時，將保留 state dict 中張量的屬性。唯一的例外是 Parameter 的 requires_grad 欄位，此時將保留模組中的值。預設為 False。

返回

missing_keys 是一個包含此模組期望但
在提供的 state_dict 中缺失的任何鍵的字串列表。
unexpected_keys 是一個字串列表，包含此模組
不期望但在提供的 state_dict 中存在的鍵。

返回型別

NamedTuple，包含 missing_keys 和 unexpected_keys 欄位。

注意

如果一個引數或緩衝區被註冊為 None 且其對應的鍵存在於 state_dict 中，load_state_dict() 將會引發 RuntimeError。

modules()[原始碼]#

返回網路中所有模組的迭代器。

生成: Module – 網路中的一個模組
返回型別: Iterator[Module]

注意

重複的模組只返回一次。在以下示例中，l 只返回一次。

示例

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)

0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)

mtia(device=None)[原始碼]#

將所有模型引數和緩衝區移動到 MTIA。

這也會使關聯的引數和緩衝區成為不同的物件。因此，如果模組在最佳化時將駐留在 MTIA 上，則應在構建最佳化器之前呼叫它。

注意

此方法就地修改模組。

引數: device (int, optional) – 如果指定，所有引數都將複製到該裝置。
返回: self
返回型別: 模組

named_buffers(prefix='', recurse=True, remove_duplicate=True)[原始碼]#

返回模組緩衝區上的迭代器，同時生成緩衝區的名稱和緩衝區本身。

引數

prefix (str) – 要新增到所有緩衝區名稱的字首。
recurse (bool, optional) – 如果為 True，則會生成此模組及所有子模組的緩衝區。否則，只生成此模組的直接成員緩衝區。預設為 True。
remove_duplicate (bool, optional) – 是否在結果中刪除重複的緩衝區。預設為 True。

生成

(str, torch.Tensor) – 包含名稱和緩衝區的元組

返回型別

Iterator[tuple[str, torch.Tensor]]

示例

>>> for name, buf in self.named_buffers():
>>>     if name in ['running_var']:
>>>         print(buf.size())

named_children()[原始碼]#

返回對直接子模組的迭代器，生成模組的名稱和模組本身。

生成: (str, Module) – 包含名稱和子模組的元組
返回型別: Iterator[tuple[str, ‘Module’]]

示例

>>> for name, module in model.named_children():
>>>     if name in ['conv4', 'conv5']:
>>>         print(module)

named_modules(memo=None, prefix='', remove_duplicate=True)[原始碼]#

返回網路中所有模組的迭代器，同時生成模組的名稱和模組本身。

引數

memo (Optional[set['Module']]) – 用於儲存已新增到結果中的模組集合的備忘錄。
prefix (str) – 將新增到模組名稱的字首。
remove_duplicate (bool) – 是否從結果中刪除重複的模組例項。

生成

(str, Module) – 名稱和模組的元組

注意

重複的模組只返回一次。在以下示例中，l 只返回一次。

示例

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.named_modules()):
...     print(idx, '->', m)

0 -> ('', Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
))
1 -> ('0', Linear(in_features=2, out_features=2, bias=True))

named_parameters(prefix='', recurse=True, remove_duplicate=True)[原始碼]#

返回模組引數的迭代器，同時生成引數的名稱和引數本身。

引數

prefix (str) – 要新增到所有引數名稱的字首。
recurse (bool) – 如果為 True，則會生成此模組及所有子模組的引數。否則，只生成此模組的直接成員引數。
remove_duplicate (bool, optional) – 是否在結果中刪除重複的引數。預設為 True。

生成

(str, Parameter) – 包含名稱和引數的元組

返回型別

Iterator[tuple[str, torch.nn.parameter.Parameter]]

示例

>>> for name, param in self.named_parameters():
>>>     if name in ['bias']:
>>>         print(param.size())

parameters(recurse=True)[原始碼]#

返回模組引數的迭代器。

這通常傳遞給最佳化器。

引數: recurse (bool) – 如果為 True，則會生成此模組及所有子模組的引數。否則，只生成此模組的直接成員引數。
生成: Parameter – 模組引數
返回型別: Iterator[Parameter]

示例

>>> for param in model.parameters():
>>>     print(type(param), param.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

register_backward_hook(hook)[原始碼]#

在模組上註冊一個反向傳播鉤子。

此函式已棄用，請使用 register_full_backward_hook()，並且此函式在未來版本中的行為將會改變。

返回: 一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子
返回型別: torch.utils.hooks.RemovableHandle

register_buffer(name, tensor, persistent=True)[原始碼]#

向模組新增一個緩衝區。

這通常用於註冊不應被視為模型引數的緩衝區。例如，BatchNorm 的 running_mean 不是引數，但它是模組狀態的一部分。緩衝區預設是持久化的，會與引數一起儲存。透過將 persistent 設定為 False 可以改變這種行為。持久化緩衝區和非持久化緩衝區之間的唯一區別是，後者不會成為此模組 state_dict 的一部分。

可以使用給定名稱作為屬性訪問緩衝區。

引數

name (str) – 緩衝區的名稱。緩衝區可以透過給定名稱從該模組訪問。
tensor (Tensor 或 None) – 要註冊的緩衝區。如果為 None，則對緩衝區執行的操作（如 cuda）將被忽略。如果為 None，則該緩衝區不包含在此模組的 state_dict 中。
persistent (bool) – 該緩衝區是否是此模組 state_dict 的一部分。

示例

>>> self.register_buffer('running_mean', torch.zeros(num_features))

register_forward_hook(hook, *, prepend=False, with_kwargs=False, always_call=False)[原始碼]#

在模組上註冊一個前向鉤子。

每次 forward() 計算輸出後，都會呼叫該鉤子。

如果 with_kwargs 為 False 或未指定，則輸入僅包含傳遞給模組的位置引數。關鍵字引數不會傳遞給鉤子，只傳遞給 forward。鉤子可以修改輸出。它可以原地修改輸入，但這不會影響前向傳播，因為這是在 forward() 呼叫之後執行的。鉤子應該具有以下簽名

hook(module, args, output) -> None or modified output

如果 with_kwargs 為 True，則前向鉤子將接收傳遞給 forward 函式的 kwargs，並需要返回可能已修改的輸出。鉤子應該具有以下簽名

hook(module, args, kwargs, output) -> None or modified output

引數

hook (Callable) – 使用者定義的待註冊鉤子。
prepend (bool) – 如果為 True，則提供的 hook 將在當前 torch.nn.Module 的所有現有 forward 鉤子之前觸發。否則，提供的 hook 將在當前 torch.nn.Module 的所有現有 forward 鉤子之後觸發。請注意，使用 register_module_forward_hook() 註冊的全域性 forward 鉤子將在由此方法註冊的所有鉤子之前觸發。預設值：False
with_kwargs (bool) – 如果為 True，則 hook 將接收傳遞給 forward 函式的 kwargs。預設為 False。
always_call (bool) – 如果為 True，則無論呼叫 Module 時是否發生異常，都將執行 hook。預設為 False。

返回

一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子

返回型別

torch.utils.hooks.RemovableHandle

register_forward_pre_hook(hook, *, prepend=False, with_kwargs=False)[原始碼]#

在模組上註冊一個前向預鉤子。

每次呼叫 forward() 之前都會呼叫該鉤子。

如果 with_kwargs 為 false 或未指定，則輸入僅包含傳遞給模組的位置引數。關鍵字引數不會傳遞給鉤子，而只會傳遞給 forward。鉤子可以修改輸入。使用者可以返回一個元組或單個修改後的值。我們將把值包裝成一個元組，如果返回的是單個值（除非該值本身就是元組）。鉤子應該具有以下簽名

hook(module, args) -> None or modified input

如果 with_kwargs 為 true，則前向預鉤子將接收傳遞給 forward 函式的 kwargs。如果鉤子修改了輸入，則應該返回 args 和 kwargs。鉤子應該具有以下簽名

hook(module, args, kwargs) -> None or a tuple of modified input and kwargs

引數

hook (Callable) – 使用者定義的待註冊鉤子。
prepend (bool) – 如果為 True，則提供的 hook 將在當前 torch.nn.Module 的所有現有 forward_pre 鉤子之前觸發。否則，提供的 hook 將在當前 torch.nn.Module 的所有現有 forward_pre 鉤子之後觸發。請注意，使用 register_module_forward_pre_hook() 註冊的全域性 forward_pre 鉤子將在由此方法註冊的所有鉤子之前觸發。預設值：False
with_kwargs (bool) – 如果為 true，則 hook 將接收傳遞給 forward 函式的 kwargs。預設為 False。

返回

一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子

返回型別

torch.utils.hooks.RemovableHandle

register_full_backward_hook(hook, prepend=False)[原始碼]#

在模組上註冊一個反向傳播鉤子。

每次計算相對於模組的梯度時，將呼叫此鉤子，其觸發規則如下：

通常，鉤子在計算相對於模組輸入的梯度時觸發。

如果模組輸入都不需要梯度，則在計算相對於模組輸出的梯度時觸發鉤子。

如果模組輸出都不需要梯度，則鉤子將不觸發。

鉤子應具有以下簽名

hook(module, grad_input, grad_output) -> tuple(Tensor) or None

grad_input 和 grad_output 是包含相對於輸入和輸出的梯度的元組。鉤子不應修改其引數，但可以選擇返回一個關於輸入的新的梯度，該梯度將在後續計算中替換 grad_input。 grad_input 只對應作為位置引數給出的輸入，所有關鍵字引數都會被忽略。grad_input 和 grad_output 中對於所有非 Tensor 引數的條目都將是 None。

由於技術原因，當此鉤子應用於模組時，其前向函式將接收傳遞給模組的每個張量的檢視。類似地，呼叫者將接收模組前向函式返回的每個張量的檢視。

警告

使用反向傳播鉤子時不允許就地修改輸入或輸出，否則將引發錯誤。

引數

hook (Callable) – 要註冊的使用者定義鉤子。
prepend (bool) – 如果為 True，則提供的 hook 將在當前 torch.nn.Module 的所有現有 backward 鉤子之前觸發。否則，提供的 hook 將在當前 torch.nn.Module 的所有現有 backward 鉤子之後觸發。請注意，使用 register_module_full_backward_hook() 註冊的全域性 backward 鉤子將在由此方法註冊的所有鉤子之前觸發。

返回

一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子

返回型別

torch.utils.hooks.RemovableHandle

register_full_backward_pre_hook(hook, prepend=False)[原始碼]#

在模組上註冊一個反向預鉤子。

每次計算模組的梯度時，將呼叫此鉤子。鉤子應具有以下簽名

hook(module, grad_output) -> tuple[Tensor] or None

grad_output 是一個元組。鉤子不應修改其引數，但可以選擇返回一個新的輸出梯度，該梯度將取代 grad_output 用於後續計算。對於所有非 Tensor 引數，grad_output 中的條目將為 None。

警告

使用反向傳播鉤子時不允許就地修改輸入，否則將引發錯誤。

引數

hook (Callable) – 要註冊的使用者定義鉤子。
prepend (bool) – 如果為 True，則提供的 hook 將在當前 torch.nn.Module 的所有現有 backward_pre 鉤子之前觸發。否則，提供的 hook 將在當前 torch.nn.Module 的所有現有 backward_pre 鉤子之後觸發。請注意，使用 register_module_full_backward_pre_hook() 註冊的全域性 backward_pre 鉤子將在由此方法註冊的所有鉤子之前觸發。

返回

一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子

返回型別

torch.utils.hooks.RemovableHandle

register_load_state_dict_post_hook(hook)[原始碼]#

註冊一個後鉤子，用於在模組的 load_state_dict() 被呼叫後執行。

它應該具有以下簽名：: hook(module, incompatible_keys) -> None

引數 module 是當前註冊了此鉤子的模組，引數 incompatible_keys 是一個 NamedTuple，包含 missing_keys 和 unexpected_keys 屬性。missing_keys 是一個 str 列表，包含缺失的鍵，而 unexpected_keys 是一個 str 列表，包含意外的鍵。

如果需要，可以就地修改給定的 incompatible_keys。

注意，當 strict=True 呼叫 load_state_dict() 時進行的檢查會受到鉤子對 missing_keys 或 unexpected_keys 所做的修改的影響，正如預期的那樣。向任一鍵集合中新增內容都會導致在 strict=True 時引發錯誤，而清空缺失和意外部索引鍵的集合將避免錯誤。

返回: 一個控制代碼，可用於透過呼叫 handle.remove() 來移除新增的鉤子
返回型別: torch.utils.hooks.RemovableHandle

register_load_state_dict_pre_hook(hook)[原始碼]#

註冊一個預鉤子，用於在模組的 load_state_dict() 被呼叫之前執行。

它應該具有以下簽名：: hook(module, state_dict, prefix, local_metadata, strict, missing_keys, unexpected_keys, error_msgs) -> None # noqa: B950

引數: hook (Callable) – 在載入狀態字典之前將呼叫的可呼叫鉤子。

register_module(name, module)[原始碼]#

是 add_module() 的別名。

register_parameter(name, param)[原始碼]#

向模組新增一個引數。

可以使用給定名稱作為屬性訪問該引數。

引數

name (str) – 引數的名稱。引數可以透過給定名稱從該模組訪問。
param (Parameter 或 None) – 要新增到模組中的引數。如果為 None，則對引數執行的操作（如 cuda）將被忽略。如果為 None，則該引數不包含在此模組的 state_dict 中。

register_state_dict_post_hook(hook)[原始碼]#

為 state_dict() 方法註冊一個後鉤子。

它應該具有以下簽名：: hook(module, state_dict, prefix, local_metadata) -> None

註冊的鉤子可以就地修改 state_dict。

register_state_dict_pre_hook(hook)[原始碼]#

為 state_dict() 方法註冊一個前鉤子。

它應該具有以下簽名：: hook(module, prefix, keep_vars) -> None

註冊的鉤子可用於在進行 state_dict 呼叫之前執行預處理。

requires_grad_(requires_grad=True)[原始碼]#

更改自動梯度是否應記錄此模組中引數的操作。

此方法就地設定引數的 requires_grad 屬性。

此方法有助於凍結模組的一部分以進行微調或單獨訓練模型的一部分（例如，GAN 訓練）。

請參閱區域性停用梯度計算，瞭解 .requires_grad_() 與一些可能與之混淆的類似機制之間的比較。

引數: requires_grad (bool) – 是否應為此模組中的引數啟用自動求導。預設為 True。
返回: self
返回型別: 模組

set_extra_state(state)[原始碼]#

設定載入的 state_dict 中包含的額外狀態。

此函式從 load_state_dict() 呼叫，以處理 state_dict 中找到的任何額外狀態。如果您的模組需要在其 state_dict 中儲存額外狀態，請實現此函式以及對應的 get_extra_state()。

引數: state (dict) – 來自 state_dict 的額外狀態。

set_submodule(target, module, strict=False)[原始碼]#

如果存在，設定由 target 給定的子模組，否則丟擲錯誤。

注意

如果 strict 設定為 False（預設），該方法將替換現有子模組或在父模組存在的情況下建立新子模組。如果 strict 設定為 True，該方法將僅嘗試替換現有子模組，並在子模組不存在時引發錯誤。

例如，假設您有一個 nn.Module A，它看起來像這樣

A(
    (net_b): Module(
        (net_c): Module(
            (conv): Conv2d(3, 3, 3)
        )
        (linear): Linear(3, 3)
    )
)

(圖示了一個 nn.Module A。 A 包含一個巢狀子模組 net_b，該子模組本身有兩個子模組 net_c 和 linear。 net_c 隨後又有一個子模組 conv。)

要用一個新的 Linear 子模組覆蓋 Conv2d，可以呼叫 set_submodule("net_b.net_c.conv", nn.Linear(1, 1))，其中 strict 可以是 True 或 False。

要將一個新的 Conv2d 子模組新增到現有的 net_b 模組中，可以呼叫 set_submodule("net_b.conv", nn.Conv2d(1, 1, 1))。

在上面，如果設定 strict=True 並呼叫 set_submodule("net_b.conv", nn.Conv2d(1, 1, 1), strict=True)，則會引發 AttributeError，因為 net_b 中不存在名為 conv 的子模組。

引數

target (str) – 要查詢的子模組的完整限定字串名稱。（如上例所示，如何指定完整限定字串。）
module (Module) – 要設定的子模組。
strict (bool) – 如果為 False，則該方法將替換現有子模組或在父模組存在的情況下建立新子模組。如果為 True，則該方法將僅嘗試替換現有子模組，並在子模組不存在時引發錯誤。

引發

ValueError – 如果 target 字串為空，或者 module 不是 nn.Module 的例項。
AttributeError – 如果在 target 字串解析出的路徑中的任何一點，(子)路徑解析為一個不存在的屬性名或一個非 nn.Module 例項的物件。

share_memory()[原始碼]#

請參閱 torch.Tensor.share_memory_()。

返回型別: 自我

state_dict(*args, destination=None, prefix='', keep_vars=False)[原始碼]#

返回一個字典，其中包含對模組整個狀態的引用。

引數和持久緩衝區（例如，執行平均值）都包含在內。鍵是相應的引數和緩衝區名稱。設定為 None 的引數和緩衝區不包含在內。

注意

返回的物件是淺複製。它包含對模組引數和緩衝區的引用。

警告

當前 state_dict() 還接受 destination、prefix 和 keep_vars 的位置引數，順序為。但是，這正在被棄用，並且在未來的版本中將強制使用關鍵字引數。

警告

請避免使用引數 destination，因為它不是為終端使用者設計的。

引數

destination (dict, optional) – 如果提供，模組的狀態將被更新到字典中，並返回同一個物件。否則，將建立一個 OrderedDict 並返回。預設為 None。
prefix (str, optional) – 新增到引數和緩衝區名稱的字首，用於構成 state_dict 中的鍵。預設為 ''。
keep_vars (bool, optional) – 預設情況下，state_dict 中返回的 Tensor s 會從自動求導中分離。如果設定為 True，則不會進行分離。預設為 False。

返回

包含模組整體狀態的字典

返回型別

dict

示例

>>> module.state_dict().keys()
['bias', 'weight']

to(*args, **kwargs)[原始碼]#

移動和/或轉換引數和緩衝區。

這可以這樣呼叫

to(device=None, dtype=None, non_blocking=False)[source]

to(dtype, non_blocking=False)[原始碼]

to(tensor, non_blocking=False)[原始碼]

to(memory_format=torch.channels_last)[原始碼]

其簽名與 torch.Tensor.to() 類似，但只接受浮點或複數 dtype。此外，此方法只會將浮點或複數引數和緩衝區轉換為 dtype（如果已給出）。整數引數和緩衝區將被移動到 device（如果已給出），但 dtype 不變。當設定 non_blocking 時，它會嘗試以非同步方式（相對於主機）進行轉換/移動（如果可能），例如將具有固定記憶體的 CPU Tensor 移動到 CUDA 裝置。

有關示例，請參閱下文。

注意

此方法就地修改模組。

引數

device (torch.device) – 此模組中的引數和緩衝區的目標裝置
dtype (torch.dtype) – 此模組中的引數和緩衝區的目標浮點數或複數 dtype
tensor (torch.Tensor) – 張量，其 dtype 和裝置是此模組中所有引數和緩衝區的所需 dtype 和裝置
memory_format (torch.memory_format) – 此模組中 4D 引數和緩衝區的目標記憶體格式（僅限關鍵字引數）

返回

self

返回型別

模組

示例

>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

to_empty(*, device, recurse=True)[原始碼]#

將引數和緩衝區移動到指定裝置，而不復制儲存。

引數

device (torch.device) – 此模組中的引數和緩衝區的目標裝置。
recurse (bool) – 是否遞迴地將子模組的引數和緩衝區移動到指定裝置。

返回

self

返回型別

模組

train(mode=True)[原始碼]#

將模組設定為訓練模式。

This has an effect only on certain modules. See the documentation of particular modules for details of their behaviors in training/evaluation mode, i.e., whether they are affected, e.g. Dropout, BatchNorm, etc. – 這隻對某些模組有影響。有關其在訓練/評估模式下的行為的詳細資訊，例如它們是否受影響，請參閱特定模組的文件，例如 Dropout、BatchNorm 等。

引數: mode (bool) – 設定訓練模式（True）還是評估模式（False）。預設值：True。
返回: self
返回型別: 模組

type(dst_type)[原始碼]#

將所有引數和緩衝區轉換為 dst_type。

注意

此方法就地修改模組。

引數: dst_type (type 或 string) – 目標型別
返回: self
返回型別: 模組

update_parameters(model)[原始碼]#

更新模型引數。

xpu(device=None)[原始碼]#

將所有模型引數和緩衝區移動到 XPU。

這也會使關聯的引數和緩衝區成為不同的物件。因此，如果模組在最佳化時將駐留在 XPU 上，則應在構建最佳化器之前呼叫它。

注意

此方法就地修改模組。

引數: device (int, optional) – 如果指定，所有引數都將複製到該裝置。
返回: self
返回型別: 模組

zero_grad(set_to_none=True)[原始碼]#

重置所有模型引數的梯度。

請參閱 torch.optim.Optimizer 下的類似函式以獲取更多上下文。

引數: set_to_none (bool) – 不設定為零，而是將梯度設定為 None。有關詳細資訊，請參閱 torch.optim.Optimizer.zero_grad()。

AveragedModel#

文件

教程

資源