• 文档 >
  • torch.nn >
  • torch.nn.utils.parametrize.register_parametrization
快捷方式

torch.nn.utils.parametrize.register_parametrization

torch.nn.utils.parametrize.register_parametrization(module, tensor_name, parametrization, *, unsafe=False)[源代码]

向模块中的张量注册参数化。

为简单起见,假设 tensor_name="weight"。访问 module.weight 时,模块将返回参数化版本 parametrization(module.weight)。如果原始张量需要梯度,则反向传播将通过 parametrization 进行微分,并且优化器将相应地更新张量。

模块第一次注册参数化时,此函数将向模块添加一个名为 parametrizations 的属性,其类型为 ParametrizationList

张量 weight 上的参数化列表可以通过 module.parametrizations.weight 访问。

原始张量可以通过 module.parametrizations.weight.original 访问。

可以通过在同一属性上注册多个参数化来连接参数化。

注册参数化时,其训练模式将更新为与主机模块的训练模式匹配。

参数化参数和缓冲区具有内置的缓存系统,可以使用上下文管理器 cached() 激活。

一个 parametrization 可以选择性地实现一个具有以下签名的函数:

def right_inverse(self, X: Tensor) -> Union[Tensor, Sequence[Tensor]]

在注册第一个参数化时,此函数将在未参数化的张量上调用,以计算原始张量的初始值。如果没有实现此函数,则原始张量将只是未参数化的张量。

如果在张量上注册的所有参数化都实现了 right_inverse,则可以通过赋值来初始化参数化张量,如下面的示例所示。

第一个参数化可以依赖多个输入。这可以通过从 right_inverse 返回一个张量元组来实现(请参阅下面 RankOne 参数化的示例实现)。

在这种情况下,无约束张量也位于 module.parametrizations.weight 下,名称为 original0original1 等。

注意

如果 unsafe=False(默认值),则将调用一次 forward 和 right_inverse 函数以执行一些一致性检查。如果 unsafe=True,则如果张量未参数化,则将调用 right_inverse,否则不会调用任何函数。

注意

在大多数情况下,right_inverse 将是一个函数,使得 forward(right_inverse(X)) == X(参见 右逆)。有时,当参数化不是满射时,可以合理地放松此条件。

警告

如果参数化依赖多个输入,则 register_parametrization() 将注册多个新参数。如果在创建优化器之后注册此类参数化,则需要手动将这些新参数添加到优化器中。请参阅 torch.Optimizer.add_param_group()

参数
  • module (nn.Module) – 要注册参数化的模块

  • tensor_name (str) – 要注册参数化的参数或缓冲区的名称

  • 参数化 (nn.Module) – 要注册的参数化

关键字参数

unsafe (bool) – 一个布尔标志,表示参数化是否可能更改张量的 dtype 和形状。默认值:False 警告:注册时不会检查参数化的一致性。启用此标志需自行承担风险。

引发异常

ValueError – 如果模块没有名为 tensor_name 的参数或缓冲区

返回类型

模块

示例

>>> import torch
>>> import torch.nn as nn
>>> import torch.nn.utils.parametrize as P
>>>
>>> class Symmetric(nn.Module):
>>>     def forward(self, X):
>>>         return X.triu() + X.triu(1).T  # Return a symmetric matrix
>>>
>>>     def right_inverse(self, A):
>>>         return A.triu()
>>>
>>> m = nn.Linear(5, 5)
>>> P.register_parametrization(m, "weight", Symmetric())
>>> print(torch.allclose(m.weight, m.weight.T))  # m.weight is now symmetric
True
>>> A = torch.rand(5, 5)
>>> A = A + A.T   # A is now symmetric
>>> m.weight = A  # Initialize the weight to be the symmetric matrix A
>>> print(torch.allclose(m.weight, A))
True
>>> class RankOne(nn.Module):
>>>     def forward(self, x, y):
>>>         # Form a rank 1 matrix multiplying two vectors
>>>         return x.unsqueeze(-1) @ y.unsqueeze(-2)
>>>
>>>     def right_inverse(self, Z):
>>>         # Project Z onto the rank 1 matrices
>>>         U, S, Vh = torch.linalg.svd(Z, full_matrices=False)
>>>         # Return rescaled singular vectors
>>>         s0_sqrt = S[0].sqrt().unsqueeze(-1)
>>>         return U[..., :, 0] * s0_sqrt, Vh[..., 0, :] * s0_sqrt
>>>
>>> linear_rank_one = P.register_parametrization(nn.Linear(4, 4), "weight", RankOne())
>>> print(torch.linalg.matrix_rank(linear_rank_one.weight).item())
1

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取初学者和高级开发人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源