修补批归一化

发生了什么？

批归一化需要对与输入大小相同的 running_mean 和 running_var 进行就地更新。Functorch 不支持对接受批处理张量（即 regular.add_(batched) 不允许）的常规张量进行就地更新。因此，当对单个模块的一批输入进行 vmap 时，我们会遇到此错误

如何修复

最受支持的方式之一是将批归一化切换为组归一化。选项 1 和 2 支持此功能

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，这意味着假设您不会在评估模式下使用批归一化。如果您有一个用例涉及在评估模式下使用 vmap 运行批归一化，请提交问题

选项 1：更改批归一化

如果您想改为使用组归一化，在任何使用批归一化的地方，都将其替换为

BatchNorm2d(C, G, track_running_stats=False)

这里 C 与原始批归一化中的 C 相同。 G 是将 C 分解成的组数。因此， C % G == 0，作为备用，您可以设置 C == G，这意味着每个通道将被单独处理。

如果您必须使用批归一化，并且您自己构建了模块，您可以更改模块以不使用运行统计信息。换句话说，在任何有批归一化模块的地方，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。如果这些参数已默认，则它们通常默认为 BatchNorm2d。

相反，您可以将其设置为组归一化。

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

这里，再次， c % g == 0，因此作为备用，设置 g = c。

如果您坚持使用批归一化，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 的修补

functorch 添加了一些功能，允许快速对模块进行就地修补，以不使用运行统计信息。更改归一化层更脆弱，因此我们没有提供该功能。如果您有一个网络，希望批归一化不使用运行统计信息，您可以运行 replace_all_batch_norm_modules_ 来对模块进行就地更新，以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：评估模式

在评估模式下运行时，不会更新 running_mean 和 running_var。因此，vmap 可以支持此模式

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