torch.func.stack_module_state

torch.func.stack_module_state(models) → params, buffers

为使用 vmap() 进行集成准备一系列 torch.nn.Modules。

给定一系列相同类的 M 个 nn.Modules，返回两个字典，它们将所有参数和缓冲区堆叠在一起，并按名称索引。堆叠的参数是可以优化的（即它们是自动梯度历史记录中的新叶节点，与原始参数无关，可以直接传递给优化器）。

以下是如何在非常简单的模型上进行集成的示例

num_models = 5
batch_size = 64
in_features, out_features = 3, 3
models = [torch.nn.Linear(in_features, out_features) for i in range(num_models)]
data = torch.randn(batch_size, 3)

def wrapper(params, buffers, data):
    return torch.func.functional_call(models[0], (params, buffers), data)

params, buffers = stack_module_state(models)
output = vmap(wrapper, (0, 0, None))(params, buffers, data)

assert output.shape == (num_models, batch_size, out_features)

当存在子模块时，这遵循状态字典命名约定

import torch.nn as nn
class Foo(nn.Module):
    def __init__(self, in_features, out_features):
        super().__init__()
        hidden = 4
        self.l1 = nn.Linear(in_features, hidden)
        self.l2 = nn.Linear(hidden, out_features)

    def forward(self, x):
        return self.l2(self.l1(x))

num_models = 5
in_features, out_features = 3, 3
models = [Foo(in_features, out_features) for i in range(num_models)]
params, buffers = stack_module_state(models)
print(list(params.keys()))  # "l1.weight", "l1.bias", "l2.weight", "l2.bias"

警告

所有被堆叠在一起的模块必须相同（除了它们的 parameters/buffers 的值）。例如，它们应该处于相同模式（训练与评估）。

返回类型

Tuple[Dict[str, Any], Dict[str, Any]]