torch.jit.freeze

torch.jit.freeze(mod, preserved_attrs=None, optimize_numerics=True)

冻结 ScriptModule，将子模块和属性内联为常量。

冻结 ScriptModule 将克隆它，并尝试将克隆模块的子模块、参数和属性内联为 TorchScript IR 图中的常量。默认情况下，将保留 forward 以及在 preserved_attrs 中指定的属性和方法。此外，在保留方法中修改的任何属性也将被保留。

冻结目前只接受处于评估模式下的 ScriptModule。

冻结应用通用优化，无论机器如何，都会加快模型速度。要使用服务器特定的设置进行进一步优化，请在冻结后运行 optimize_for_inference。

参数

• mod (ScriptModule) – 要冻结的模块

• preserved_attrs (Optional[List[str]]) – 除了前向方法之外，要保留的属性列表。在保留方法中修改的属性也将被保留。

• optimize_numerics (bool) – 如果为 True，将运行一组优化步骤，这些步骤不严格保留数值。优化详情请参阅 torch.jit.run_frozen_optimizations。

返回值

已冻结的 ScriptModule。

示例（冻结具有参数的简单模块）

    def forward(self, input):
        output = self.weight.mm(input)
        output = self.linear(output)
        return output

scripted_module = torch.jit.script(MyModule(2, 3).eval())
frozen_module = torch.jit.freeze(scripted_module)
# parameters have been removed and inlined into the Graph as constants
assert len(list(frozen_module.named_parameters())) == 0
# See the compiled graph as Python code
print(frozen_module.code)

示例（冻结具有保留属性的模块）

    def forward(self, input):
        self.modified_tensor += 1
        return input + self.modified_tensor

scripted_module = torch.jit.script(MyModule2().eval())
frozen_module = torch.jit.freeze(scripted_module, preserved_attrs=["version"])
# we've manually preserved `version`, so it still exists on the frozen module and can be modified
assert frozen_module.version == 1
frozen_module.version = 2
# `modified_tensor` is detected as being mutated in the forward, so freezing preserves
# it to retain model semantics
assert frozen_module(torch.tensor(1)) == torch.tensor(12)
# now that we've run it once, the next result will be incremented by one
assert frozen_module(torch.tensor(1)) == torch.tensor(13)

注意

还支持冻结子模块属性：frozen_module = torch.jit.freeze(scripted_module, preserved_attrs=[“submodule.version”])

注意

如果您不确定为什么某个属性没有内联为常量，可以在 frozen_module.forward.graph 上运行 dump_alias_db，以查看冻结是否检测到该属性是否被修改。

注意

由于冻结会使权重成为常量并删除模块层次结构，因此 to 和其他用于操作设备或数据类型的 nn.Module 方法不再起作用。作为一种解决方法，您可以在 torch.jit.load 中指定 map_location 来重新映射设备，但特定于设备的逻辑可能已被烘焙到模型中。