torch.jit.trace_module

torch.jit.trace_module(mod, inputs, optimize=None, check_trace=True, check_inputs=None, check_tolerance=1e-05, strict=True, _force_outplace=False, _module_class=None, _compilation_unit=<torch.jit.CompilationUnit object>, example_inputs_is_kwarg=False, _store_inputs=True)

跟踪模块并返回可执行的 ScriptModule，它将使用即时编译进行优化。

当模块传递给 torch.jit.trace 时，仅运行和跟踪 forward 方法。使用 trace_module，您可以指定方法名称到示例输入的字典以进行跟踪（请参阅下面的 inputs 参数）。

有关跟踪的更多信息，请参阅 torch.jit.trace。

参数

• mod (torch.nn.Module) – 包含 torch.nn.Module 的方法，这些方法的名称在 inputs 中指定。给定的方法将编译为单个 ScriptModule 的一部分。

• inputs (dict) – 一个字典，包含按 mod 中的方法名称索引的示例输入。在跟踪时，输入将传递给名称与输入键对应的方法。 { 'forward' : example_forward_input, 'method2': example_method2_input}

关键字参数

• check_trace (bool, 可选) – 检查通过跟踪代码运行的相同输入是否产生相同的输出。默认值：True。如果例如您的网络包含非确定性操作，或者您确定网络是正确的，即使检查器失败，您可能需要禁用此项。

• check_inputs (list of dicts, 可选) – 输入参数字典的列表，应该用于检查跟踪是否符合预期。每个元组等效于一组输入参数，这些参数将在 inputs 中指定。为了获得最佳结果，请传入一组检查输入，这些输入代表您期望网络看到的形状和输入类型空间。如果未指定，则原始 inputs 用于检查

• check_tolerance (float, 可选) – 在检查器过程中使用的浮点比较容差。这可以用于在已知原因（例如算子融合）导致结果在数值上发散的情况下放宽检查器的严格性。

• example_inputs_is_kwarg (bool, 可选) – 此参数指示示例输入是否为关键字参数包。默认值：False。

返回值

具有单个 forward 方法的 ScriptModule 对象，该方法包含跟踪的代码。当 func 是 torch.nn.Module 时，返回的 ScriptModule 将具有与 func 相同的子模块和参数集。

示例（跟踪具有多个方法的模块）

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.conv = nn.Conv2d(1, 1, 3)

    def forward(self, x):
        return self.conv(x)

    def weighted_kernel_sum(self, weight):
        return weight * self.conv.weight


n = Net()
example_weight = torch.rand(1, 1, 3, 3)
example_forward_input = torch.rand(1, 1, 3, 3)

# Trace a specific method and construct `ScriptModule` with
# a single `forward` method
module = torch.jit.trace(n.forward, example_forward_input)

# Trace a module (implicitly traces `forward`) and construct a
# `ScriptModule` with a single `forward` method
module = torch.jit.trace(n, example_forward_input)

# Trace specific methods on a module (specified in `inputs`), constructs
# a `ScriptModule` with `forward` and `weighted_kernel_sum` methods
inputs = {'forward' : example_forward_input, 'weighted_kernel_sum' : example_weight}
module = torch.jit.trace_module(n, inputs)