Patching Batch Norm

发生了什么？

Batch Norm 需要对与输入大小相同的 running_mean 和 running_var 进行就地更新。Functorch 不支持对接收批量张量的常规张量进行就地更新（即不允许 regular.add_(batched)）。因此，当对单个模块的批量输入进行 vmapping 时，最终会得到此错误

如何修复

最受支持的方法之一是将 BatchNorm 切换为 GroupNorm。选项 1 和选项 2 支持此操作

所有这些选项都假设您不需要运行统计信息。如果您正在使用模块，则意味着假定您不会在评估模式下使用批归一化。如果您有需要在评估模式下使用 vmap 运行批归一化的用例，请提交 issue

选项 1：更改 BatchNorm

如果您想更改为 GroupNorm，请将任何 BatchNorm 替换为

BatchNorm2d(C, G, track_running_stats=False)

这里 C 与原始 BatchNorm 中的 C 相同。G 是将 C 分成的组数。因此，C % G == 0，作为后备方案，您可以设置 C == G，这意味着每个通道将被单独处理。

如果您必须使用 BatchNorm 并且您自己构建了模块，则可以更改模块以不使用运行统计信息。换句话说，在任何有 BatchNorm 模块的地方，将 track_running_stats 标志设置为 False

BatchNorm2d(64, track_running_stats=False)

选项 2：torchvision 参数

一些 torchvision 模型（如 resnet 和 regnet）可以接受 norm_layer 参数。如果它们已默认，则这些参数通常默认为 BatchNorm2d。

相反，您可以将其设置为 GroupNorm。

import torchvision
from functools import partial
torchvision.models.resnet18(norm_layer=lambda c: GroupNorm(num_groups=g, c))

再次，这里 c % g == 0，因此作为后备方案，请设置 g = c。

如果您坚持使用 BatchNorm，请务必使用不使用运行统计信息的版本

import torchvision
from functools import partial
torchvision.models.resnet18(norm_layer=partial(BatchNorm2d, track_running_stats=False))

选项 3：functorch 的 patching

functorch 添加了一些功能，允许快速就地 patching 模块以不使用运行统计信息。更改 norm 层更脆弱，因此我们没有提供该功能。如果您有一个希望 BatchNorm 不使用运行统计信息的网络，则可以运行 replace_all_batch_norm_modules_ 以就地更新模块，使其不使用运行统计信息

from torch.func import replace_all_batch_norm_modules_
replace_all_batch_norm_modules_(net)

选项 4：eval 模式

在 eval 模式下运行时，running_mean 和 running_var 将不会更新。因此，vmap 可以支持此模式

model.eval()
vmap(model)(x)
model.train()