LazyModuleMixin

class torch.nn.modules.lazy.LazyModuleMixin(*args, **kwargs)

用于延迟初始化参数的模块的混入类，也称为“惰性模块”。

延迟初始化参数的模块，或“惰性模块”，从其前向方法的第一个输入中派生出其参数的形状。在第一次前向传播之前，它们包含 torch.nn.UninitializedParameter，这些参数不应被访问或使用，之后它们包含常规的 torch.nn.Parameter。惰性模块很方便，因为它们不需要计算一些模块参数，例如典型的 torch.nn.Linear 的 in_features 参数。

构建后，带有惰性模块的网络应首先转换为所需的 dtype 并放置在预期的设备上。这是因为惰性模块仅执行形状推断，因此通常的 dtype 和设备放置行为适用。然后，惰性模块应执行“dry run”以初始化模块中的所有组件。这些“dry run”通过网络并将正确大小、dtype 和设备的输入发送到其每个惰性模块。在此之后，网络可以像往常一样使用。

>>> class LazyMLP(torch.nn.Module):
...    def __init__(self) -> None:
...        super().__init__()
...        self.fc1 = torch.nn.LazyLinear(10)
...        self.relu1 = torch.nn.ReLU()
...        self.fc2 = torch.nn.LazyLinear(1)
...        self.relu2 = torch.nn.ReLU()
...
...    def forward(self, input):
...        x = self.relu1(self.fc1(input))
...        y = self.relu2(self.fc2(x))
...        return y
>>> # constructs a network with lazy modules
>>> lazy_mlp = LazyMLP()
>>> # transforms the network's device and dtype
>>> # NOTE: these transforms can and should be applied after construction and before any 'dry runs'
>>> lazy_mlp = lazy_mlp.cuda().double()
>>> lazy_mlp
LazyMLP( (fc1): LazyLinear(in_features=0, out_features=10, bias=True)
  (relu1): ReLU()
  (fc2): LazyLinear(in_features=0, out_features=1, bias=True)
  (relu2): ReLU()
)
>>> # performs a dry run to initialize the network's lazy modules
>>> lazy_mlp(torch.ones(10,10).cuda())
>>> # after initialization, LazyLinear modules become regular Linear modules
>>> lazy_mlp
LazyMLP(
  (fc1): Linear(in_features=10, out_features=10, bias=True)
  (relu1): ReLU()
  (fc2): Linear(in_features=10, out_features=1, bias=True)
  (relu2): ReLU()
)
>>> # attaches an optimizer, since parameters can now be used as usual
>>> optim = torch.optim.SGD(mlp.parameters(), lr=0.01)

使用惰性模块时的最后一个注意事项是，网络参数的初始化顺序可能会更改，因为惰性模块始终在其他模块之后初始化。例如，如果上面定义的 LazyMLP 类首先具有 torch.nn.LazyLinear 模块，然后是第二个常规的 torch.nn.Linear 模块，则第二个模块将在构造时初始化，而第一个模块将在第一次 dry run 期间初始化。这可能会导致使用惰性模块的网络的参数与不使用惰性模块的网络的参数初始化方式不同，因为参数初始化顺序（通常取决于有状态的随机数生成器）是不同的。有关更多详细信息，请查看 可重复性。

惰性模块可以使用像其他模块一样的状态字典进行序列化。例如

>>> lazy_mlp = LazyMLP()
>>> # The state dict shows the uninitialized parameters
>>> lazy_mlp.state_dict()
OrderedDict([('fc1.weight', Uninitialized parameter),
             ('fc1.bias',
              tensor([-1.8832e+25,  4.5636e-41, -1.8832e+25,  4.5636e-41, -6.1598e-30,
                       4.5637e-41, -1.8788e+22,  4.5636e-41, -2.0042e-31,  4.5637e-41])),
             ('fc2.weight', Uninitialized parameter),
             ('fc2.bias', tensor([0.0019]))])

惰性模块可以加载常规的 torch.nn.Parameter（即，您可以序列化/反序列化初始化的 LazyModules，它们将保持初始化状态）

>>> full_mlp = LazyMLP()
>>> # Dry run to initialize another module
>>> full_mlp.forward(torch.ones(10, 1))
>>> # Load an initialized state into a lazy module
>>> lazy_mlp.load_state_dict(full_mlp.state_dict())
>>> # The state dict now holds valid values
>>> lazy_mlp.state_dict()
OrderedDict([('fc1.weight',
              tensor([[-0.3837],
                      [ 0.0907],
                      [ 0.6708],
                      [-0.5223],
                      [-0.9028],
                      [ 0.2851],
                      [-0.4537],
                      [ 0.6813],
                      [ 0.5766],
                      [-0.8678]])),
             ('fc1.bias',
              tensor([-1.8832e+25,  4.5636e-41, -1.8832e+25,  4.5636e-41, -6.1598e-30,
                       4.5637e-41, -1.8788e+22,  4.5636e-41, -2.0042e-31,  4.5637e-41])),
             ('fc2.weight',
              tensor([[ 0.1320,  0.2938,  0.0679,  0.2793,  0.1088, -0.1795, -0.2301,  0.2807,
                        0.2479,  0.1091]])),
             ('fc2.bias', tensor([0.0019]))])

但是请注意，如果在加载状态时已初始化参数，则在执行“dry run”时不会替换已加载的参数。这防止在不同上下文中使用初始化的模块。

has_uninitialized_params()

检查模块是否具有未初始化的参数。

initialize_parameters(*args, **kwargs)

根据输入批处理属性初始化参数。

这添加了一个接口，用于在执行参数形状推断时将参数初始化与前向传播隔离。