AveragedModel¶
- class torch.optim.swa_utils.AveragedModel(model, device=None, avg_fn=None, multi_avg_fn=None, use_buffers=False)[source]¶
为随机权重平均 (SWA) 和指数移动平均 (EMA) 实现平均模型。
随机权重平均在 Pavel Izmailov、Dmitrii Podoprikhin、Timur Garipov、Dmitry Vetrov 和 Andrew Gordon Wilson (UAI 2018) 的 平均权重导致更广的最佳值和更好的泛化 中提出。
指数移动平均是 Polyak 平均 的一个变体,但使用指数权重而不是跨迭代的相等权重。
AveragedModel 类在设备
device
上创建提供的模块model
的副本,并允许计算model
参数的运行平均值。- 参数
model (torch.nn.Module) – 与 SWA/EMA 一起使用的模型
device (torch.device, optional) – 如果提供,则平均模型将存储在
device
上avg_fn (function, optional) – 用于更新参数的平均函数;该函数必须接收
AveragedModel
参数的当前值、model
参数的当前值以及已平均的模型数量;如果为 None,则使用等权重平均值(默认值:None)multi_avg_fn (function, optional) – 用于就地更新参数的平均函数;该函数必须接收
AveragedModel
参数的当前值列表、model
参数的当前值列表以及已平均的模型数量;如果为 None,则使用等权重平均值(默认值:None)use_buffers (bool) – 如果为
True
,它将计算模型的参数和缓冲区的运行平均值。(默认值:False
)
示例
>>> loader, optimizer, model, loss_fn = ... >>> swa_model = torch.optim.swa_utils.AveragedModel(model) >>> scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, >>> T_max=300) >>> swa_start = 160 >>> swa_scheduler = SWALR(optimizer, swa_lr=0.05) >>> for i in range(300): >>> for input, target in loader: >>> optimizer.zero_grad() >>> loss_fn(model(input), target).backward() >>> optimizer.step() >>> if i > swa_start: >>> swa_model.update_parameters(model) >>> swa_scheduler.step() >>> else: >>> scheduler.step() >>> >>> # Update bn statistics for the swa_model at the end >>> torch.optim.swa_utils.update_bn(loader, swa_model)
您还可以使用自定义平均函数,方法是使用 avg_fn 或 multi_avg_fn 参数。如果未提供平均函数,则默认值为计算权重的等权重平均值 (SWA)。
示例
>>> # Compute exponential moving averages of the weights and buffers >>> ema_model = torch.optim.swa_utils.AveragedModel(model, >>> torch.optim.swa_utils.get_ema_multi_avg_fn(0.9), use_buffers=True)
注意
在包含批处理归一化的模型中使用 SWA/EMA 时,您可能需要更新批处理归一化的激活统计信息。这可以通过使用
torch.optim.swa_utils.update_bn()
或通过将use_buffers
设置为 True 来完成。第一种方法通过将数据传递给模型来在训练后步骤中更新统计信息。第二种方法通过在参数更新阶段平均所有缓冲区来实现。经验证据表明,更新归一化层中的统计信息会提高准确性,但您可能希望凭经验测试哪种方法在您的问题中产生最佳结果。注意
avg_fn
和 multi_avg_fn 未保存在模型的state_dict()
中。注意
当
update_parameters()
首次被调用时(即n_averaged
为 0),model 的参数将被复制到AveragedModel
的参数中。对于update_parameters()
的每次后续调用,将使用函数 avg_fn 来更新参数。- add_module(name, module)¶
向当前模块添加子模块。
可以使用给定的名称将模块作为属性访问。
- apply(fn)¶
将
fn
递归应用于每个子模块(由.children()
返回),以及自身。典型用途包括初始化模型的参数(另见 torch.nn.init)。
- 参数
fn (
Module
-> None) – 要应用于每个子模块的函数。- 返回值
self
- 返回值类型
示例
>>> @torch.no_grad() >>> def init_weights(m): >>> print(m) >>> if type(m) == nn.Linear: >>> m.weight.fill_(1.0) >>> print(m.weight) >>> net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2)) >>> net.apply(init_weights) Linear(in_features=2, out_features=2, bias=True) Parameter containing: tensor([[1., 1.], [1., 1.]], requires_grad=True) Linear(in_features=2, out_features=2, bias=True) Parameter containing: tensor([[1., 1.], [1., 1.]], requires_grad=True) Sequential( (0): Linear(in_features=2, out_features=2, bias=True) (1): Linear(in_features=2, out_features=2, bias=True) )
- buffers(recurse=True)¶
返回模块缓冲区的迭代器。
- 参数
recurse (bool) – 如果为 True,则会生成该模块和所有子模块的缓冲区。否则,只生成该模块的直接成员的缓冲区。
- 生成
torch.Tensor – 模块缓冲区
- 返回值类型
示例
>>> for buf in model.buffers(): >>> print(type(buf), buf.size()) <class 'torch.Tensor'> (20L,) <class 'torch.Tensor'> (20L, 1L, 5L, 5L)
- compile(*args, **kwargs)¶
使用
torch.compile()
编译此模块的前向。此模块的 __call__ 方法已编译,所有参数都按原样传递给
torch.compile()
。有关此函数参数的详细信息,请参见
torch.compile()
。
- cuda(device=None)¶
将所有模型参数和缓冲区移动到 GPU。
这也使关联的参数和缓冲区成为不同的对象。因此,如果模块在被优化时将驻留在 GPU 上,则应在构建优化器之前调用它。
注意
此方法会就地修改模块。
- eval()¶
将模块设置为评估模式。
这仅对某些模块有影响。有关特定模块在训练/评估模式下的行为细节,请参阅其文档,如果它们受到影响,例如
Dropout
、BatchNorm
等。这等效于
self.train(False)
。有关 .eval() 与可能与其混淆的几种类似机制之间的比较,请参见 局部禁用梯度计算。
- 返回值
self
- 返回值类型
- get_buffer(target)¶
如果存在,则返回由
target
给出的缓冲区,否则抛出错误。有关此方法功能的更详细说明以及如何正确指定
target
,请参见get_submodule
的文档字符串。- 参数
target (str) – 要查找的缓冲区的完全限定字符串名称。(有关如何指定完全限定字符串,请参见
get_submodule
)。- 返回值
由
target
引用的缓冲区- 返回值类型
- 引发
AttributeError – 如果目标字符串引用了无效的路径或解析为非缓冲区的东西。
- get_extra_state()¶
返回要包含在模块的 state_dict 中的任何额外状态。
如果需要存储额外状态,请为此实现一个相应的
set_extra_state()
。此函数在构建模块的 state_dict() 时调用。请注意,额外状态应该是可腌制的,以确保 state_dict 的序列化工作。我们只为序列化张量提供向后兼容性保证;其他对象如果其序列化腌制形式发生变化,可能会破坏向后兼容性。
- 返回值
要存储在模块的 state_dict 中的任何额外状态
- 返回值类型
- get_parameter(target)¶
如果存在,则返回由
target
给出的参数,否则抛出错误。有关此方法功能的更详细说明以及如何正确指定
target
,请参见get_submodule
的文档字符串。- 参数
target (str) – 要查找的参数的完全限定字符串名称。(有关如何指定完全限定字符串,请参见
get_submodule
)。- 返回值
由
target
引用的参数- 返回值类型
torch.nn.Parameter
- 引发
AttributeError – 如果目标字符串引用了无效的路径或解析为非
nn.Parameter
的东西。
- get_submodule(target)¶
如果存在,则返回由
target
给出的子模块,否则抛出错误。例如,假设你有一个
nn.Module
A
,它看起来像这样A( (net_b): Module( (net_c): Module( (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2)) ) (linear): Linear(in_features=100, out_features=200, bias=True) ) )
(该图显示了一个
nn.Module
A
。A
具有嵌套的子模块net_b
,它本身具有两个子模块net_c
和linear
。net_c
然后具有子模块conv
.)要检查我们是否具有
linear
子模块,我们将调用get_submodule("net_b.linear")
。要检查我们是否具有conv
子模块,我们将调用get_submodule("net_b.net_c.conv")
。get_submodule
的运行时间受target
中模块嵌套程度的限制。对named_modules
的查询可以达到相同的结果,但它在传递模块的数量上是 O(N)。因此,为了简单地检查某个子模块是否存在,应该始终使用get_submodule
。- 参数
target (str) – 要查找的子模块的完全限定字符串名称。 (有关如何指定完全限定字符串,请参见上面的示例。)
- 返回值
由
target
引用的子模块- 返回值类型
- 引发
AttributeError – 如果目标字符串引用了无效的路径或解析为非
nn.Module
- ipu(device=None)¶
将所有模型参数和缓冲区移动到 IPU。
这也使关联的参数和缓冲区成为不同的对象。 因此,如果模块将在优化时驻留在 IPU 上,则应在构建优化器之前调用它。
注意
此方法会就地修改模块。
- load_state_dict(state_dict, strict=True, assign=False)¶
将参数和缓冲区从
state_dict
复制到此模块及其后代。如果
strict
为True
,则state_dict
的键必须与该模块的state_dict()
函数返回的键完全匹配。警告
如果
assign
为True
,则优化器必须在调用load_state_dict
之后创建,除非get_swap_module_params_on_conversion()
为True
。- 参数
state_dict (dict) – 包含参数和持久缓冲区的字典。
strict (bool, optional) – 是否严格执行
state_dict
中的键与该模块的state_dict()
函数返回的键匹配。 默认:True
assign (bool, optional) – 当
False
时,当前模块中张量的属性将被保留,而当True
时,状态字典中张量的属性将被保留。 唯一的例外是requires_grad
字段Default: ``False`
- 返回值
- missing_keys 是一个包含任何预期键的字符串列表
但缺少提供的
state_dict
。
- unexpected_keys 是一个包含未预期的键的字符串列表
但存在于提供的
state_dict
中。
- 返回值类型
NamedTuple
包含missing_keys
和unexpected_keys
字段
注意
如果参数或缓冲区注册为
None
并且其对应的键存在于state_dict
中,则load_state_dict()
将引发RuntimeError
。
- modules()¶
返回网络中所有模块的迭代器。
注意
重复的模块仅返回一次。 在以下示例中,
l
仅返回一次。示例
>>> l = nn.Linear(2, 2) >>> net = nn.Sequential(l, l) >>> for idx, m in enumerate(net.modules()): ... print(idx, '->', m) 0 -> Sequential( (0): Linear(in_features=2, out_features=2, bias=True) (1): Linear(in_features=2, out_features=2, bias=True) ) 1 -> Linear(in_features=2, out_features=2, bias=True)
- mtia(device=None)¶
将所有模型参数和缓冲区移动到 MTIA。
这也使关联的参数和缓冲区成为不同的对象。 因此,如果模块将在优化时驻留在 MTIA 上,则应在构建优化器之前调用它。
注意
此方法会就地修改模块。
- named_buffers(prefix='', recurse=True, remove_duplicate=True)¶
返回模块缓冲区的迭代器,同时生成缓冲区的名称和缓冲区本身。
- 参数
- 生成
(str, torch.Tensor) – 包含名称和缓冲区的元组
- 返回值类型
示例
>>> for name, buf in self.named_buffers(): >>> if name in ['running_var']: >>> print(buf.size())
- named_children()¶
返回直接子模块的迭代器,同时生成模块的名称和模块本身。
示例
>>> for name, module in model.named_children(): >>> if name in ['conv4', 'conv5']: >>> print(module)
- named_modules(memo=None, prefix='', remove_duplicate=True)¶
返回网络中所有模块的迭代器,同时生成模块的名称和模块本身。
- 参数
- 生成
(str, Module) – 名称和模块的元组
注意
重复的模块仅返回一次。 在以下示例中,
l
仅返回一次。示例
>>> l = nn.Linear(2, 2) >>> net = nn.Sequential(l, l) >>> for idx, m in enumerate(net.named_modules()): ... print(idx, '->', m) 0 -> ('', Sequential( (0): Linear(in_features=2, out_features=2, bias=True) (1): Linear(in_features=2, out_features=2, bias=True) )) 1 -> ('0', Linear(in_features=2, out_features=2, bias=True))
- named_parameters(prefix='', recurse=True, remove_duplicate=True)¶
返回模块参数的迭代器,同时生成参数的名称和参数本身。
- 参数
- 生成
(str, Parameter) – 包含名称和参数的元组
- 返回值类型
示例
>>> for name, param in self.named_parameters(): >>> if name in ['bias']: >>> print(param.size())
- parameters(recurse=True)¶
返回模块参数的迭代器。
这通常传递给优化器。
示例
>>> for param in model.parameters(): >>> print(type(param), param.size()) <class 'torch.Tensor'> (20L,) <class 'torch.Tensor'> (20L, 1L, 5L, 5L)
- register_backward_hook(hook)¶
在模块上注册一个反向钩子。
此函数已弃用,建议使用
register_full_backward_hook()
,此函数的行为将在未来的版本中更改。- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_buffer(name, tensor, persistent=True)¶
向模块添加缓冲区。
这通常用于注册一个不应被视为模型参数的缓冲区。例如,BatchNorm 的
running_mean
不是参数,而是模块状态的一部分。缓冲区默认情况下是持久的,并将与参数一起保存。可以通过将persistent
设置为False
来更改此行为。持久缓冲区与非持久缓冲区之间唯一的区别在于后者不会成为此模块的state_dict
的一部分。缓冲区可以使用给定的名称作为属性访问。
- 参数
name (str) – 缓冲区的名称。可以使用给定的名称从此模块访问缓冲区
tensor (张量 or None) – 要注册的缓冲区。如果为
None
,则会忽略对缓冲区运行的操作,例如cuda
。如果为None
,则缓冲区不包含在模块的state_dict
中。persistent (布尔值) – 缓冲区是否是此模块的
state_dict
的一部分。
示例
>>> self.register_buffer('running_mean', torch.zeros(num_features))
- register_forward_hook(hook, *, prepend=False, with_kwargs=False, always_call=False)¶
在模块上注册一个前向钩子。
每次在
forward()
计算出输出后,都会调用钩子。如果
with_kwargs
为False
或未指定,则输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子,只会传递给forward
。钩子可以修改输出。它可以就地修改输入,但它不会对前向传播产生影响,因为这是在调用forward()
后调用的。钩子应该具有以下签名hook(module, args, output) -> None or modified output
如果
with_kwargs
为True
,则前向钩子将传递给前向函数的kwargs
,并预期返回可能已修改的输出。钩子应该具有以下签名hook(module, args, kwargs, output) -> None or modified output
- 参数
hook (可调用对象) – 要注册的用户定义的钩子。
prepend (布尔值) – 如果为
True
,则提供的hook
将在该torch.nn.modules.Module
上所有现有forward
钩子之前触发。否则,提供的hook
将在该torch.nn.modules.Module
上所有现有forward
钩子之后触发。请注意,使用register_module_forward_hook()
注册的全局forward
钩子将在通过此方法注册的所有钩子之前触发。默认:False
with_kwargs (布尔值) – 如果为
True
,则hook
将传递给前向函数的 kwargs。默认:False
always_call (布尔值) – 如果为
True
,则无论在调用模块时是否抛出异常,都会运行hook
。默认:False
- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_forward_pre_hook(hook, *, prepend=False, with_kwargs=False)¶
在模块上注册一个前向预钩子。
每次在调用
forward()
之前,都会调用钩子。如果
with_kwargs
为 false 或未指定,则输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子,只会传递给forward
。钩子可以修改输入。用户可以在钩子中返回一个元组或一个修改后的值。如果返回单个值,我们将把该值包装成一个元组(除非该值已经是元组)。钩子应该具有以下签名hook(module, args) -> None or modified input
如果
with_kwargs
为 true,则前向预钩子将传递给前向函数的 kwargs。如果钩子修改了输入,则应返回 args 和 kwargs。钩子应该具有以下签名hook(module, args, kwargs) -> None or a tuple of modified input and kwargs
- 参数
hook (可调用对象) – 要注册的用户定义的钩子。
prepend (布尔值) – 如果为 true,则提供的
hook
将在该torch.nn.modules.Module
上所有现有forward_pre
钩子之前触发。否则,提供的hook
将在该torch.nn.modules.Module
上所有现有forward_pre
钩子之后触发。请注意,使用register_module_forward_pre_hook()
注册的全局forward_pre
钩子将在通过此方法注册的所有钩子之前触发。默认:False
with_kwargs (布尔值) – 如果为 true,则
hook
将传递给前向函数的 kwargs。默认:False
- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_full_backward_hook(hook, prepend=False)¶
在模块上注册一个反向钩子。
每次计算模块的梯度时,都会调用钩子,也就是说,当且仅当计算了关于模块输出的梯度时,钩子才会执行。钩子应该具有以下签名
hook(module, grad_input, grad_output) -> tuple(Tensor) or None
grad_input
和grad_output
是两个元组,分别包含输入和输出的梯度。钩子不应该修改它的参数,但它可以选择返回一个新的输入梯度,该梯度将在后续计算中代替grad_input
。grad_input
仅对应作为位置参数给出的输入,所有关键字参数都将被忽略。grad_input
和grad_output
中的条目对于所有非张量参数将为None
。出于技术原因,当此钩子应用于模块时,其前向函数将接收传递给模块的每个张量的视图。类似地,调用者将接收模块前向函数返回的每个张量的视图。
警告
使用反向钩子时,不允许就地修改输入或输出,否则会引发错误。
- 参数
hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为真,则提供的
hook
将在该torch.nn.modules.Module
上所有现有的backward
钩子之前触发。否则,提供的hook
将在该torch.nn.modules.Module
上所有现有的backward
钩子之后触发。请注意,使用register_module_full_backward_hook()
注册的全局backward
钩子将在使用此方法注册的所有钩子之前触发。
- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_full_backward_pre_hook(hook, prepend=False)¶
在模块上注册一个反向预钩子。
每次计算模块的梯度时都会调用该钩子。该钩子应具有以下签名
hook(module, grad_output) -> tuple[Tensor] or None
grad_output
是一个元组。钩子不应该修改它的参数,但它可以选择返回一个新的输出梯度,该梯度将在后续计算中代替grad_output
。grad_output
中的条目对于所有非张量参数将为None
。出于技术原因,当此钩子应用于模块时,其前向函数将接收传递给模块的每个张量的视图。类似地,调用者将接收模块前向函数返回的每个张量的视图。
警告
使用反向钩子时,不允许就地修改输入,否则会引发错误。
- 参数
hook (Callable) – 要注册的用户定义的钩子。
prepend (bool) – 如果为真,则提供的
hook
将在该torch.nn.modules.Module
上所有现有的backward_pre
钩子之前触发。否则,提供的hook
将在该torch.nn.modules.Module
上所有现有的backward_pre
钩子之后触发。请注意,使用register_module_full_backward_pre_hook()
注册的全局backward_pre
钩子将在使用此方法注册的所有钩子之前触发。
- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_load_state_dict_post_hook(hook)¶
注册一个后钩子,在调用模块的
load_state_dict()
之后运行。- 它应具有以下签名:
hook(module, incompatible_keys) -> None
参数
module
是当前注册此钩子的模块,参数incompatible_keys
是一个包含属性missing_keys
和unexpected_keys
的NamedTuple
。missing_keys
是一个包含缺失键的list
,而unexpected_keys
是一个包含意外键的list
。如果需要,可以就地修改给定的 incompatible_keys。
请注意,当使用
strict=True
调用load_state_dict()
时执行的检查会受到钩子对missing_keys
或unexpected_keys
所做的修改的影响,如预期的那样。对任一组键的添加都将导致在strict=True
时引发错误,而清除缺失键和意外键将避免引发错误。- 返回值
一个句柄,可用于通过调用
handle.remove()
来删除添加的钩子- 返回值类型
torch.utils.hooks.RemovableHandle
- register_load_state_dict_pre_hook(hook)¶
注册一个预钩子,在调用模块的
load_state_dict()
之前运行。- 它应具有以下签名:
hook(module, state_dict, prefix, local_metadata, strict, missing_keys, unexpected_keys, error_msgs) -> None # noqa: B950
- 参数
hook (Callable) – 在加载状态字典之前调用的可调用钩子。
- register_module(name, module)¶
add_module()
的别名。
- register_parameter(name, param)¶
向模块添加一个参数。
可以使用给定名称将该参数作为属性访问。
- 参数
name (str) – 参数的名称。可以使用给定名称从此模块访问该参数
param (Parameter or None) – 要添加到模块的参数。如果为
None
,则会忽略在参数上运行的操作,例如cuda
。如果为None
,则参数不包含在模块的state_dict
中。
- register_state_dict_post_hook(hook)¶
为
state_dict()
方法注册一个后钩子。- 它应具有以下签名:
hook(module, state_dict, prefix, local_metadata) -> None
注册的钩子可以就地修改
state_dict
。
- register_state_dict_pre_hook(hook)¶
为
state_dict()
方法注册一个预钩子。- 它应具有以下签名:
hook(module, prefix, keep_vars) -> None
注册的钩子可用于在进行
state_dict
调用之前执行预处理。
- requires_grad_(requires_grad=True)¶
更改自动微分是否应该记录此模块中参数的操作。
此方法就地设置参数的
requires_grad
属性。此方法有助于冻结模块的一部分以进行微调或单独训练模型的各个部分(例如 GAN 训练)。
有关 .requires_grad_() 和可能与其混淆的几种类似机制的比较,请参阅 本地禁用梯度计算。
- set_extra_state(state)¶
设置加载的 state_dict 中包含的额外状态。
此函数从
load_state_dict()
调用,以处理在 state_dict 中找到的任何额外状态。如果需要在模块的 state_dict 中存储额外状态,请实现此函数和相应的get_extra_state()
。- 参数
state (dict) – 来自 state_dict 的额外状态
- set_submodule(target, module)¶
如果存在,则设置由
target
给出的子模块,否则抛出错误。例如,假设你有一个
nn.Module
A
,它看起来像这样A( (net_b): Module( (net_c): Module( (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2)) ) (linear): Linear(in_features=100, out_features=200, bias=True) ) )
(该图显示了一个
nn.Module
A
。A
具有嵌套的子模块net_b
,它本身具有两个子模块net_c
和linear
。net_c
然后具有子模块conv
.)要使用新的子模块
Linear
覆盖Conv2d
,您可以调用set_submodule("net_b.net_c.conv", nn.Linear(33, 16))
。- 参数
- 引发
ValueError – 如果目标字符串为空
AttributeError – 如果目标字符串引用了无效的路径或解析为非
nn.Module
见
torch.Tensor.share_memory_()
.- 返回值类型
T
- state_dict(*args, destination=None, prefix='', keep_vars=False)¶
返回一个字典,其中包含对模块的整个状态的引用。
参数和持久缓冲区(例如运行平均值)都包含在内。键是相应的参数和缓冲区名称。设置为
None
的参数和缓冲区不包括在内。注意
返回的对象是浅拷贝。它包含对模块的参数和缓冲区的引用。
警告
目前,
state_dict()
也接受destination
、prefix
和keep_vars
的位置参数。但是,这即将弃用,关键字参数将在将来的版本中强制执行。警告
请避免使用参数
destination
,因为它不是为最终用户设计的。- 参数
- 返回值
包含模块整个状态的字典
- 返回值类型
示例
>>> module.state_dict().keys() ['bias', 'weight']
- to(*args, **kwargs)¶
移动和/或转换参数和缓冲区。
这可以被称为
- to(device=None, dtype=None, non_blocking=False)
- to(dtype, non_blocking=False)
- to(tensor, non_blocking=False)
- to(memory_format=torch.channels_last)
它的签名类似于
torch.Tensor.to()
,但只接受浮点或复数dtype
。此外,此方法只会将浮点或复数参数和缓冲区转换为dtype
(如果给出)。整数参数和缓冲区将被移动到device
(如果给出),但数据类型保持不变。当设置non_blocking
时,它尝试异步地相对于主机进行转换/移动,如果可能,例如,将具有固定内存的 CPU 张量移动到 CUDA 设备。有关示例,请参见下文。
注意
此方法会就地修改模块。
- 参数
device (
torch.device
) – 此模块中参数和缓冲区的所需设备dtype (
torch.dtype
) – 此模块中参数和缓冲区的所需浮点或复数数据类型tensor (torch.Tensor) – 数据类型和设备是此模块中所有参数和缓冲区的所需数据类型和设备的张量
memory_format (
torch.memory_format
) – 此模块中 4D 参数和缓冲区的所需内存格式(关键字参数)
- 返回值
self
- 返回值类型
例子
>>> linear = nn.Linear(2, 2) >>> linear.weight Parameter containing: tensor([[ 0.1913, -0.3420], [-0.5113, -0.2325]]) >>> linear.to(torch.double) Linear(in_features=2, out_features=2, bias=True) >>> linear.weight Parameter containing: tensor([[ 0.1913, -0.3420], [-0.5113, -0.2325]], dtype=torch.float64) >>> gpu1 = torch.device("cuda:1") >>> linear.to(gpu1, dtype=torch.half, non_blocking=True) Linear(in_features=2, out_features=2, bias=True) >>> linear.weight Parameter containing: tensor([[ 0.1914, -0.3420], [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1') >>> cpu = torch.device("cpu") >>> linear.to(cpu) Linear(in_features=2, out_features=2, bias=True) >>> linear.weight Parameter containing: tensor([[ 0.1914, -0.3420], [-0.5112, -0.2324]], dtype=torch.float16) >>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble) >>> linear.weight Parameter containing: tensor([[ 0.3741+0.j, 0.2382+0.j], [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128) >>> linear(torch.ones(3, 2, dtype=torch.cdouble)) tensor([[0.6122+0.j, 0.1150+0.j], [0.6122+0.j, 0.1150+0.j], [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)
- to_empty(*, device, recurse=True)¶
将参数和缓冲区移动到指定的设备,而不复制存储。
- 参数
device (
torch.device
) – 此模块中参数和缓冲区的所需设备。recurse (bool) – 子模块的参数和缓冲区是否应递归地移动到指定的设备。
- 返回值
self
- 返回值类型
- train(mode=True)¶
将模块设置为训练模式。
这仅对某些模块有影响。有关特定模块在训练/评估模式下的行为细节,请参阅其文档,如果它们受到影响,例如
Dropout
、BatchNorm
等。
- type(dst_type)¶
将所有参数和缓冲区转换为
dst_type
。注意
此方法会就地修改模块。
- xpu(device=None)¶
将所有模型参数和缓冲区移动到 XPU。
这也使关联的参数和缓冲区成为不同的对象。因此,如果模块在优化时将驻留在 XPU 上,则应在构建优化器之前调用它。
注意
此方法会就地修改模块。
- zero_grad(set_to_none=True)¶
重置所有模型参数的梯度。
有关更多上下文,请参见
torch.optim.Optimizer
中的类似函数。- 参数
set_to_none (bool) – 不设置为零,而是将梯度设置为 None。有关详细信息,请参见
torch.optim.Optimizer.zero_grad()
。