torch.nn.utils.prune.global_unstructured

torch.nn.utils.prune.global_unstructured(parameters, pruning_method, importance_scores=None, **kwargs)

通过应用指定的 pruning_method，全局剪枝 parameters 中所有参数对应的张量。

通过以下方式原地修改模块：

1. 添加一个名为 name+'_mask' 的命名缓冲区，对应于剪枝方法应用于参数 name 的二值掩码。

2. 将参数 name 替换为其剪枝版本，而原始（未剪枝的）参数则存储在一个名为 name+'_orig' 的新参数中。

参数

• parameters (Iterable of (module, name) tuples) – 需要以全局方式（即在决定剪枝哪些权重之前先聚合所有权重）剪枝的模型参数。module 必须是 nn.Module 类型，name 必须是字符串。

• pruning_method (function) – 此模块中有效的剪枝函数，或用户实现的满足实现指南且 PRUNING_TYPE='unstructured' 的自定义函数。

• importance_scores (dict) – 一个字典，将 (module, name) 元组映射到相应的参数的重要性分数张量。该张量的形状应与参数相同，用于计算剪枝掩码。如果未指定或为 None，将使用参数本身作为其重要性分数。

• kwargs – 其他关键字参数，例如：amount (int or float): 跨指定参数剪枝的数量。如果为 float，应介于 0.0 和 1.0 之间，表示要剪枝的参数比例。如果为 int，表示要剪枝的绝对参数数量。

引发

TypeError – 如果 PRUNING_TYPE != 'unstructured'

注意

由于全局结构化剪枝在未对参数大小进行范数归一化的情况下意义不大，我们目前将全局剪枝的范围限制在非结构化方法。

示例

>>> from torch.nn.utils import prune
>>> from collections import OrderedDict
>>> net = nn.Sequential(OrderedDict([
...     ('first', nn.Linear(10, 4)),
...     ('second', nn.Linear(4, 1)),
... ]))
>>> parameters_to_prune = (
...     (net.first, 'weight'),
...     (net.second, 'weight'),
... )
>>> prune.global_unstructured(
...     parameters_to_prune,
...     pruning_method=prune.L1Unstructured,
...     amount=10,
... )
>>> print(sum(torch.nn.utils.parameters_to_vector(net.buffers()) == 0))
tensor(10)