RandomUnstructured

class torch.nn.utils.prune.RandomUnstructured(amount)

随机剪枝张量中（当前未剪枝的）单元。

参数

• name (str) – 将在其上执行剪枝的 module 中的参数名称。

• amount (int 或 float) – 要剪枝的参数量。如果为 float，则应介于 0.0 和 1.0 之间，并表示要剪枝的参数的比例。如果为 int，则表示要剪枝的参数的绝对数量。

classmethod apply(module, name, amount)

动态添加剪枝和张量的重参数化。

添加前向预钩子，以实现动态剪枝以及根据原始张量和剪枝掩码对张量进行重参数化。

参数

• module (nn.Module) – 包含要剪枝的张量的模块

• name (str) – 将在其上执行剪枝的 module 中的参数名称。

• amount (int 或 float) – 要剪枝的参数量。如果为 float，则应介于 0.0 和 1.0 之间，并表示要剪枝的参数的比例。如果为 int，则表示要剪枝的参数的绝对数量。

apply_mask(module)

简单地处理被剪枝的参数和生成的掩码之间的乘法。

从模块中获取掩码和原始张量，并返回张量的剪枝版本。

参数

module (nn.Module) – 包含要剪枝的张量的模块

返回

输入张量的剪枝版本

返回类型

pruned_tensor (torch.Tensor)

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

计算并返回输入张量 t 的剪枝版本。

根据 compute_mask() 中指定的剪枝规则。

参数

• t (torch.Tensor) – 要剪枝的张量（与 default_mask 具有相同维度）。

• importance_scores (torch.Tensor) – 重要性得分张量（与 t 具有相同形状），用于计算剪枝 t 的掩码。此张量中的值指示要剪枝的 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 代替。

• default_mask (torch.Tensor, optional) – 来自先前剪枝迭代的掩码（如果有）。在确定剪枝应作用于张量的哪个部分时要考虑。如果为 None，则默认为全 1 掩码。

返回

张量 t 的剪枝版本。

remove(module)

从模块中移除剪枝重参数化。

名为 name 的剪枝参数将永久保持剪枝状态，并且名为 name+'_orig' 的参数将从参数列表中移除。同样，名为 name+'_mask' 的缓冲区将从缓冲区中移除。

注意

剪枝本身不会撤消或反转！