RandomStructured

class torch.nn.utils.prune.RandomStructured(amount, dim=-1)

随机修剪张量中整个（当前未修剪的）通道。

参数

• amount (int 或 float) – 要修剪的参数数量。如果为 float，应介于 0.0 和 1.0 之间，表示要修剪的参数比例。如果为 int，则表示要修剪的参数的绝对数量。

• dim (int，可选) – 定义要修剪通道的维度索引。默认值：-1。

classmethod apply(module, name, amount, dim=-1)

动态添加修剪并重新参数化张量。

添加前向预钩子，启用动态修剪，并根据原始张量和修剪掩码重新参数化张量。

参数

• module (nn.Module) – 包含要修剪张量的模块

• name (str) – 模块内将执行修剪的参数名称。

• amount (int 或 float) – 要修剪的参数数量。如果为 float，应介于 0.0 和 1.0 之间，表示要修剪的参数比例。如果为 int，则表示要修剪的参数的绝对数量。

• dim (int，可选) – 定义要修剪通道的维度索引。默认值：-1。

apply_mask(module)

简单处理被修剪参数与生成的掩码之间的乘法。

从模块中获取掩码和原始张量，并返回张量的修剪版本。

参数

module (nn.Module) – 包含要修剪张量的模块

返回值

输入张量的修剪版本

返回类型

pruned_tensor (torch.Tensor)

compute_mask(t, default_mask)

计算并返回输入张量 t 的掩码。

从基础 default_mask 开始（如果张量尚未修剪，则应为全一掩码），通过随机将张量沿指定维度上的通道归零，生成一个随机掩码应用在 default_mask 之上。

参数

• t (torch.Tensor) – 表示要修剪参数的张量

• default_mask (torch.Tensor) – 来自先前修剪迭代的基础掩码，应用新掩码后仍需遵守。与 t 具有相同的维度。

返回值

应用于 t 的掩码，与 t 维度相同

返回类型

mask (torch.Tensor)

抛出异常

IndexError – 如果 self.dim >= len(t.shape)

prune(t, default_mask=None, importance_scores=None)

计算并返回输入张量 t 的修剪版本。

根据 compute_mask() 中指定的修剪规则。

参数

• t (torch.Tensor) – 要修剪的张量（与 default_mask 维度相同）。

• importance_scores (torch.Tensor) – 重要性分数张量（与 t 形状相同），用于计算修剪 t 的掩码。此张量中的值表示待修剪的 t 中相应元素的重要性。如果未指定或为 None，则将使用张量 t 本身代替。

• default_mask (torch.Tensor，可选) – 来自先前修剪迭代的掩码（如果存在）。确定修剪应作用于张量的哪一部分时应考虑此掩码。如果为 None，则默认为全一掩码。

返回值

张量 t 的修剪版本。

remove(module)

从模块中移除修剪重新参数化。

名为 name 的修剪参数永久保持修剪状态，名为 name+'_orig' 的参数将从参数列表中移除。类似地，名为 name+'_mask' 的缓冲区将从缓冲区列表中移除。

注意

修剪本身不会被撤销或反转！