torch.package¶

torch.package 添加了对创建包含工件和任意 PyTorch 代码的软件包的支持。这些软件包可以保存、共享，用于在以后或在不同的机器上加载和执行模型，甚至可以使用 torch::deploy 部署到生产环境中。

本文档包含教程、操作指南、说明和 API 参考，可以帮助您了解有关 torch.package 以及如何使用它的更多信息。

警告

此模块依赖于 pickle 模块，该模块并不安全。仅解包您信任的数据。

可以构建恶意的 pickle 数据，这些数据将在 **解包期间执行任意代码**。切勿解包可能来自不受信任来源或可能已被篡改的数据。

有关更多信息，请查看文档，了解有关 pickle 模块的信息。

教程 ¶

打包您的第一个模型 ¶

在 Colab 上提供了一个指导您完成简单模型打包和解包的教程。完成此练习后，您将熟悉用于创建和使用 Torch 软件包的基本 API。

如何…¶

查看软件包中包含的内容？¶

将软件包视为 ZIP 存档¶

torch.package 的容器格式是 ZIP，因此任何可用于标准 ZIP 文件的工具都应适用于探索其内容。一些与 ZIP 文件交互的常见方法

unzip my_package.pt 将解压缩 torch.package 存档到磁盘，您可以在其中自由检查其内容。

$ unzip my_package.pt && tree my_package
my_package
├── .data
│   ├── 94304870911616.storage
│   ├── 94304900784016.storage
│   ├── extern_modules
│   └── version
├── models
│   └── model_1.pkl
└── torchvision
    └── models
        ├── resnet.py
        └── utils.py
~ cd my_package && cat torchvision/models/resnet.py
...

Python zipfile 模块提供了一种标准方法来读取和写入 ZIP 存档内容。

from zipfile import ZipFile
with ZipFile("my_package.pt") as myzip:
    file_bytes = myzip.read("torchvision/models/resnet.py")
    # edit file_bytes in some way
    myzip.writestr("torchvision/models/resnet.py", new_file_bytes)

vim 能够本地读取 ZIP 存档。您甚至可以编辑文件并将其写回存档！

# add this to your .vimrc to treat `*.pt` files as zip files
au BufReadCmd *.pt call zip#Browse(expand("<amatch>"))

~ vi my_package.pt

使用 `file_structure()` API¶

PackageImporter 提供了一个 file_structure() 方法，该方法将返回一个可打印和可查询的 Directory 对象。该 Directory 对象是一个简单的目录结构，您可以使用它来探索 torch.package 的当前内容。

该 Directory 对象本身可以直接打印，并将打印出一个文件树表示形式。要过滤返回的内容，请使用 glob 样式的 include 和 exclude 过滤参数。

with PackageExporter('my_package.pt') as pe:
    pe.save_pickle('models', 'model_1.pkl', mod)

importer = PackageImporter('my_package.pt')
# can limit printed items with include/exclude args
print(importer.file_structure(include=["**/utils.py", "**/*.pkl"], exclude="**/*.storage"))
print(importer.file_structure()) # will print out all files

输出

# filtered with glob pattern:
#    include=["**/utils.py", "**/*.pkl"], exclude="**/*.storage"
─── my_package.pt
    ├── models
    │   └── model_1.pkl
    └── torchvision
        └── models
            └── utils.py

# all files
─── my_package.pt
    ├── .data
    │   ├── 94304870911616.storage
    │   ├── 94304900784016.storage
    │   ├── extern_modules
    │   └── version
    ├── models
    │   └── model_1.pkl
    └── torchvision
        └── models
            ├── resnet.py
            └── utils.py

您还可以使用 has_file() 方法查询 Directory 对象。

importer_file_structure = importer.file_structure()
found: bool = importer_file_structure.has_file("package_a/subpackage.py")

查看为什么将某个模块包含为依赖项？¶

假设有一个名为 foo 的模块，您想知道为什么您的 PackageExporter 将 foo 作为依赖项拉入。

PackageExporter.get_rdeps() 将返回所有直接依赖于 foo 的模块。

如果您想查看给定模块 src 如何依赖于 foo，PackageExporter.all_paths() 方法将返回一个 DOT 格式的图形，显示 src 和 foo 之间的依赖路径。

如果您只想查看 PackageExporter 的整个依赖关系图，您可以使用 PackageExporter.dependency_graph_string()。

在我的包中包含任意资源并在以后访问它们？¶

PackageExporter 公开了三种方法：save_pickle、save_text 和 save_binary，它们允许您将 Python 对象、文本和二进制数据保存到包中。

with torch.PackageExporter("package.pt") as exporter:
    # Pickles the object and saves to `my_resources/tensor.pkl` in the archive.
    exporter.save_pickle("my_resources", "tensor.pkl", torch.randn(4))
    exporter.save_text("config_stuff", "words.txt", "a sample string")
    exporter.save_binary("raw_data", "binary", my_bytes)

PackageImporter 公开了名为 load_pickle、load_text 和 load_binary 的补充方法，它们允许您从包中加载 Python 对象、文本和二进制数据。

importer = torch.PackageImporter("package.pt")
my_tensor = importer.load_pickle("my_resources", "tensor.pkl")
text = importer.load_text("config_stuff", "words.txt")
binary = importer.load_binary("raw_data", "binary")

自定义类的打包方式？¶

torch.package 允许自定义类的打包方式。此行为可以通过在类上定义方法 __reduce_package__ 以及定义相应的解包函数来访问。这类似于为 Python 的正常腌制过程定义 __reduce__。

步骤

在目标类上定义方法 __reduce_package__(self, exporter: PackageExporter)。此方法应完成在包内保存类实例的工作，并应返回解包函数的元组以及调用解包函数所需的论据。此方法在 PackageExporter 遇到目标类的实例时被调用。
为该类定义解包函数。此解包函数应完成重建和返回类实例的工作。函数签名的第一个参数应为 PackageImporter 实例，其余参数由用户定义。

# foo.py [Example of customizing how class Foo is packaged]
from torch.package import PackageExporter, PackageImporter
import time


class Foo:
    def __init__(self, my_string: str):
        super().__init__()
        self.my_string = my_string
        self.time_imported = 0
        self.time_exported = 0

    def __reduce_package__(self, exporter: PackageExporter):
        """
        Called by ``torch.package.PackageExporter``'s Pickler's ``persistent_id`` when
        saving an instance of this object. This method should do the work to save this
        object inside of the ``torch.package`` archive.

        Returns function w/ arguments to load the object from a
        ``torch.package.PackageImporter``'s Pickler's ``persistent_load`` function.
        """

        # use this pattern to ensure no naming conflicts with normal dependencies,
        # anything saved under this module name shouldn't conflict with other
        # items in the package
        generated_module_name = f"foo-generated._{exporter.get_unique_id()}"
        exporter.save_text(
            generated_module_name,
            "foo.txt",
            self.my_string + ", with exporter modification!",
        )
        time_exported = time.clock_gettime(1)

        # returns de-packaging function w/ arguments to invoke with
        return (unpackage_foo, (generated_module_name, time_exported,))


def unpackage_foo(
    importer: PackageImporter, generated_module_name: str, time_exported: float
) -> Foo:
    """
    Called by ``torch.package.PackageImporter``'s Pickler's ``persistent_load`` function
    when depickling a Foo object.
    Performs work of loading and returning a Foo instance from a ``torch.package`` archive.
    """
    time_imported = time.clock_gettime(1)
    foo = Foo(importer.load_text(generated_module_name, "foo.txt"))
    foo.time_imported = time_imported
    foo.time_exported = time_exported
    return foo

# example of saving instances of class Foo

import torch
from torch.package import PackageImporter, PackageExporter
import foo

foo_1 = foo.Foo("foo_1 initial string")
foo_2 = foo.Foo("foo_2 initial string")
with PackageExporter('foo_package.pt') as pe:
    # save as normal, no extra work necessary
    pe.save_pickle('foo_collection', 'foo1.pkl', foo_1)
    pe.save_pickle('foo_collection', 'foo2.pkl', foo_2)

pi = PackageImporter('foo_package.pt')
print(pi.file_structure())
imported_foo = pi.load_pickle('foo_collection', 'foo1.pkl')
print(f"foo_1 string: '{imported_foo.my_string}'")
print(f"foo_1 export time: {imported_foo.time_exported}")
print(f"foo_1 import time: {imported_foo.time_imported}")

# output of running above script
─── foo_package
    ├── foo-generated
    │   ├── _0
    │   │   └── foo.txt
    │   └── _1
    │       └── foo.txt
    ├── foo_collection
    │   ├── foo1.pkl
    │   └── foo2.pkl
    └── foo.py

foo_1 string: 'foo_1 initial string, with reduction modification!'
foo_1 export time: 9857706.650140837
foo_1 import time: 9857706.652698385

在我的源代码中测试它是否在包内执行？¶

PackageImporter 将为它初始化的每个模块添加属性 __torch_package__。您的代码可以检查此属性是否存在，以确定它是在打包的上下文中执行还是不在打包的上下文中执行。

# In foo/bar.py:

if "__torch_package__" in dir():  # true if the code is being loaded from a package
    def is_in_package():
        return True

    UserException = Exception
else:
    def is_in_package():
        return False

    UserException = UnpackageableException

现在，代码将根据它是否是通过您的 Python 环境正常导入还是从 torch.package 导入而表现不同。

from foo.bar import is_in_package

print(is_in_package())  # False

loaded_module = PackageImporter(my_package).import_module("foo.bar")
loaded_module.is_in_package()  # True

警告：通常，在打包的代码中具有不同的行为方式的代码是一种不好的做法。这会导致难以调试的问题，这些问题对您导入代码的方式很敏感。如果您的包打算被大量使用，请考虑重构您的代码，使其无论如何加载都以相同的方式表现。

将代码修补到包中？¶

PackageExporter 提供了一个 save_source_string() 方法，允许将任意 Python 源代码保存到您选择的模块中。

with PackageExporter(f) as exporter:
    # Save the my_module.foo available in your current Python environment.
    exporter.save_module("my_module.foo")

    # This saves the provided string to my_module/foo.py in the package archive.
    # It will override the my_module.foo that was previously saved.
    exporter.save_source_string("my_module.foo", textwrap.dedent(
        """\
        def my_function():
            print('hello world')
        """
    ))

    # If you want to treat my_module.bar as a package
    # (e.g. save to `my_module/bar/__init__.py` instead of `my_module/bar.py)
    # pass is_package=True,
    exporter.save_source_string("my_module.bar",
                                "def foo(): print('hello')\n",
                                is_package=True)

importer = PackageImporter(f)
importer.import_module("my_module.foo").my_function()  # prints 'hello world'

从打包的代码访问包内容？¶

PackageImporter 实现了 importlib.resources API，用于从包内部访问资源。

with PackageExporter(f) as exporter:
    # saves text to my_resource/a.txt in the archive
    exporter.save_text("my_resource", "a.txt", "hello world!")
    # saves the tensor to my_pickle/obj.pkl
    exporter.save_pickle("my_pickle", "obj.pkl", torch.ones(2, 2))

    # see below for module contents
    exporter.save_module("foo")
    exporter.save_module("bar")

importlib.resources API 允许从打包的代码中访问资源。

# foo.py:
import importlib.resources
import my_resource

# returns "hello world!"
def get_my_resource():
    return importlib.resources.read_text(my_resource, "a.txt")

使用 importlib.resources 是从打包的代码中访问包内容的推荐方法，因为它符合 Python 标准。但是，也可以从打包的代码中访问父 PackageImporter 实例本身。

# bar.py:
import torch_package_importer # this is the PackageImporter that imported this module.

# Prints "hello world!", equivalent to importlib.resources.read_text
def get_my_resource():
    return torch_package_importer.load_text("my_resource", "a.txt")

# You also do things that the importlib.resources API does not support, like loading
# a pickled object from the package.
def get_my_pickle():
    return torch_package_importer.load_pickle("my_pickle", "obj.pkl")

区分打包的代码和非打包的代码？¶

要判断一个对象的代码是否来自 torch.package，请使用 torch.package.is_from_package() 函数。注意：如果一个对象来自一个包，但它的定义来自一个标记为 extern 的模块或来自 stdlib，此检查将返回 False。

importer = PackageImporter(f)
mod = importer.import_module('foo')
obj = importer.load_pickle('model', 'model.pkl')
txt = importer.load_text('text', 'my_test.txt')

assert is_from_package(mod)
assert is_from_package(obj)
assert not is_from_package(txt) # str is from stdlib, so this will return False

重新导出一个导入的对象？¶

要重新导出一个以前被 PackageImporter 导入的对象，您必须使新的 PackageExporter 意识到原始的 PackageImporter，以便它可以找到对象的依赖项的源代码。

importer = PackageImporter(f)
obj = importer.load_pickle("model", "model.pkl")

# re-export obj in a new package
with PackageExporter(f2, importer=(importer, sys_importer)) as exporter:
    exporter.save_pickle("model", "model.pkl", obj)

打包一个 TorchScript 模块？¶

要打包一个 TorchScript 模型，请使用与任何其他对象相同的 save_pickle 和 load_pickle API。保存作为属性或子模块的 TorchScript 对象也支持，无需任何额外的工作。

# save TorchScript just like any other object
with PackageExporter(file_name) as e:
    e.save_pickle("res", "script_model.pkl", scripted_model)
    e.save_pickle("res", "mixed_model.pkl", python_model_with_scripted_submodule)
# load as normal
importer = PackageImporter(file_name)
loaded_script = importer.load_pickle("res", "script_model.pkl")
loaded_mixed = importer.load_pickle("res", "mixed_model.pkl"

说明 ¶

`torch.package` 格式概述 ¶

torch.package 文件是一个 ZIP 归档文件，通常使用 .pt 扩展名。在 ZIP 归档文件中，有两种类型的文件

框架文件，它们被放置在 .data/ 中。
用户文件，即其他所有文件。

例如，这是从 torchvision 中完全打包的 ResNet 模型的样子

resnet
├── .data  # All framework-specific data is stored here.
│   │      # It's named to avoid conflicts with user-serialized code.
│   ├── 94286146172688.storage  # tensor data
│   ├── 94286146172784.storage
│   ├── extern_modules  # text file with names of extern modules (e.g. 'torch')
│   ├── version         # version metadata
│   ├── ...
├── model  # the pickled model
│   └── model.pkl
└── torchvision  # all code dependencies are captured as source files
    └── models
        ├── resnet.py
        └── utils.py

框架文件¶

.data/ 目录归 torch.package 所有，其内容被视为私有实现细节。 torch.package 格式不保证 .data/ 的内容，但所做的任何更改都将向后兼容（即，更新版本的 PyTorch 将始终能够加载旧版本的 torch.packages）。

目前，.data/ 目录包含以下项目

version：序列化格式的版本号，以便 torch.package 导入基础结构知道如何加载此包。
extern_modules：被视为 extern 的模块列表。extern 模块将使用加载环境的系统导入器导入。
*.storage：序列化张量数据。

.data
├── 94286146172688.storage
├── 94286146172784.storage
├── extern_modules
├── version
├── ...

用户文件¶

存档中的所有其他文件都是由用户放置的。布局与 Python 常规包相同。要深入了解 Python 包装的工作原理，请参考这篇论文（它有点过时，因此请使用 Python 参考文档仔细检查实现细节）。

<package root>
├── model  # the pickled model
│   └── model.pkl
├── another_package
│   ├── __init__.py
│   ├── foo.txt         # a resource file , see importlib.resources
│   └── ...
└── torchvision
    └── models
        ├── resnet.py   # torchvision.models.resnet
        └── utils.py    # torchvision.models.utils

`torch.package` 如何找到您的代码的依赖项 ¶

分析对象的依赖项¶

当您发出 save_pickle(obj, ...) 调用时，PackageExporter 将正常腌制该对象。然后，它使用 pickletools 标准库模块来解析腌制字节码。

在腌制过程中，对象会与一个 GLOBAL 操作码一起保存，该操作码描述了在何处查找对象类型的实现，例如

GLOBAL 'torchvision.models.resnet Resnet`

依赖项解析器将收集所有 GLOBAL 操作码，并将它们标记为腌制对象的依赖项。有关腌制和腌制格式的更多信息，请参阅 Python 文档。

分析模块的依赖项¶

当一个 Python 模块被识别为依赖项时，torch.package 将遍历模块的 Python AST 表示，并查找导入语句，这些语句完全支持标准形式：from x import y，import z，from w import v as u 等。当遇到这些导入语句之一时，torch.package 会将导入的模块注册为依赖项，然后以相同的 AST 遍历方式解析这些依赖项。

注意：AST 解析对 __import__(...) 语法支持有限，并且不支持 importlib.import_module 调用。一般来说，您不应该期望 torch.package 检测动态导入。

依赖项管理 ¶

torch.package 会自动查找代码和对象所依赖的 Python 模块。此过程称为依赖项解析。对于依赖项解析器找到的每个模块，您必须指定要采取的操作。

允许的操作是

intern：将此模块放入包中。
extern：将此模块声明为包的外部依赖项。
mock：模拟此模块。
deny：依赖此模块将在包导出期间引发错误。

最后，还有一个重要的操作，它并非 torch.package 的一部分

重构：删除或更改代码中的依赖项。

请注意，操作仅针对整个 Python 模块定义。无法仅打包模块中的函数或类，而将其他部分排除在外。这是有意为之的。Python 没有在模块中定义的对象之间提供清晰的边界。唯一定义的依赖组织单元是模块，因此这是 torch.package 使用的单元。

操作使用模式应用于模块。模式可以是模块名称（"foo.bar"）或通配符（如 "foo.**"）。您可以使用 PackageExporter 上的方法将模式与操作关联，例如

my_exporter.intern("torchvision.**")
my_exporter.extern("numpy")

如果模块与模式匹配，则会对其应用相应的操作。对于给定的模块，模式将按定义顺序检查，并且将采取第一个操作。

`intern`¶

如果模块被 intern-ed，它将被放入包中。

此操作是您的模型代码，或您要打包的任何相关代码。例如，如果您要从 torchvision 包裹 ResNet，则需要 intern 模块 torchvision.models.resnet。

在包导入时，当打包的代码尝试导入一个 intern-ed 模块时，PackageImporter 将在您的包中查找该模块。如果找不到该模块，将引发错误。这确保了每个 PackageImporter 与加载环境隔离，即使您在包和加载环境中都有 my_interned_module，PackageImporter 仅会使用您包中的版本。

注意：只有 Python 源代码模块才能被 intern-ed。其他类型的模块，例如 C 扩展模块和字节码模块，如果您尝试 intern 它们，将会引发错误。这些类型的模块需要被 mock-ed 或 extern-ed。

`extern`¶

如果模块被 extern-ed，它将不会被打包。相反，它将被添加到此包的外部依赖项列表中。您可以在 package_exporter.extern_modules 上找到此列表。

在包导入时，当打包的代码尝试导入一个 extern-ed 模块时，PackageImporter 将使用默认的 Python 导入器来查找该模块，就像您执行了 importlib.import_module("my_externed_module") 一样。如果找不到该模块，将引发错误。

通过这种方式，您可以从包中依赖于诸如 numpy 和 scipy 之类的第三方库，而无需将它们也打包起来。

警告：如果任何外部库以向后不兼容的方式更改，您的包可能无法加载。如果您需要为您的包提供长期可重复性，请尽量减少对 extern 的使用。

`mock`¶

如果模块被 mock-ed，它将不会被打包。相反，一个存根模块将被打包到其位置。存根模块将允许您从其中检索对象（因此 from my_mocked_module import foo 不会出错），但是对该对象的任何使用都将引发 NotImplementedError。

mock 应该用于您“知道”在加载的包中不需要的代码，但您仍然希望它可用于非打包的内容。例如，初始化/配置代码，或仅用于调试/训练的代码。

警告：一般来说，mock 应该作为最后的手段使用。它会在打包代码和非打包代码之间引入行为差异，这可能会导致以后的混淆。最好改为重构您的代码以删除不需要的依赖项。

重构¶

管理依赖项的最佳方法是根本没有依赖项！通常，可以重构代码以删除不必要的依赖项。以下是一些编写具有干净依赖项的代码的准则（这通常也是最佳实践！）。

仅包含您使用的内容。不要在代码中留下未使用的导入。依赖项解析器不够智能，无法判断它们实际上是否未被使用，并且会尝试处理它们。

限定您的导入。例如，与其编写 import foo 并在稍后使用 foo.bar.baz，不如编写 from foo.bar import baz。这更精确地指定了您的真实依赖项（foo.bar），并让依赖项解析器知道您不需要所有的 foo。

将具有无关功能的大文件拆分成更小的文件。如果您的 utils 模块包含各种无关的功能，则任何依赖于 utils 的模块都需要引入大量无关的依赖项，即使您只需要其中一小部分也是如此。最好改为定义单一用途模块，这些模块可以独立于彼此打包。

模式¶

模式允许您使用方便的语法指定模块组。模式的语法和行为遵循 Bazel/Buck glob()。

我们要尝试与模式匹配的模块称为候选者。候选者由用分隔符字符串分隔的一系列片段组成，例如 foo.bar.baz。

模式包含一个或多个片段。片段可以是

一个文字字符串（例如 foo），它完全匹配。
包含通配符的字符串（例如 torch 或 foo*baz*）。通配符匹配任何字符串，包括空字符串。
双通配符（**）。这匹配零个或多个完整的片段。

示例

torch.**：匹配 torch 及其所有子模块，例如 torch.nn 和 torch.nn.functional。
torch.*：匹配 torch.nn 或 torch.functional，但不匹配 torch.nn.functional 或 torch
torch*.**: 匹配 torch、torchvision 及其所有子模块

在指定操作时，您可以传递多个模式，例如：

exporter.intern(["torchvision.models.**", "torchvision.utils.**"])

如果模块匹配任何模式，它将匹配此操作。

您也可以指定要排除的模式，例如：

exporter.mock("**", exclude=["torchvision.**"])

如果模块匹配任何排除模式，则它将不匹配此操作。在此示例中，我们模拟除 torchvision 及其子模块之外的所有模块。

当一个模块可能匹配多个操作时，将执行第一个定义的操作。

`torch.package` 尖锐边缘 ¶

避免在模块中使用全局状态¶

Python 使在模块级范围内绑定对象和运行代码变得非常容易。这通常是可以的——毕竟，函数和类以这种方式绑定到名称。但是，当您在模块范围内定义一个对象并打算对其进行变异时，情况会变得更加复杂，从而引入可变的全局状态。

可变全局状态非常有用——它可以减少样板代码，允许在表中进行开放注册等等。但是，除非非常小心地使用，否则它在与 torch.package 一起使用时会导致复杂情况。

每个 PackageImporter 为其内容创建一个独立的环境。这很好，因为这意味着我们加载多个包并确保它们彼此隔离，但是当模块以一种假定共享可变全局状态的方式编写时，这种行为会导致难以调试的错误。

类型在包和加载环境之间不共享¶

您从 PackageImporter 导入的任何类都将是特定于该导入器的类的版本。例如

from foo import MyClass

my_class_instance = MyClass()

with PackageExporter(f) as exporter:
    exporter.save_module("foo")

importer = PackageImporter(f)
imported_MyClass = importer.import_module("foo").MyClass

assert isinstance(my_class_instance, MyClass)  # works
assert isinstance(my_class_instance, imported_MyClass)  # ERROR!

在此示例中，MyClass 和 imported_MyClass _不是同一种类型_。在此特定示例中，MyClass 和 imported_MyClass 具有完全相同的实现，因此您可能认为将它们视为同一类是可以的。但请考虑这种情况：imported_MyClass 来自一个较旧的包，该包具有 MyClass 的完全不同的实现——在这种情况下，将它们视为同一类是不安全的。

在幕后，每个导入器都有一个前缀，允许它唯一地识别类

print(MyClass.__name__)  # prints "foo.MyClass"
print(imported_MyClass.__name__)  # prints <torch_package_0>.foo.MyClass

这意味着您不应该期望 isinstance 检查在其中一个参数来自包而另一个参数不来自包时有效。如果您需要此功能，请考虑以下选项

执行鸭子类型（只使用类，而不是显式检查它是否为给定类型）。
使类型关系成为类契约的显式部分。例如，您可以添加一个属性标记 self.handler = "handle_me_this_way" 并让客户端代码检查 handler 的值，而不是直接检查类型。

如何 `torch.package` 保持包彼此隔离 ¶

每个 PackageImporter 实例为其模块和对象创建独立的隔离环境。包中的模块只能导入其他打包的模块，或者标记为 extern 的模块。如果您使用多个 PackageImporter 实例来加载单个包，您将获得多个不会交互的独立环境。

这是通过使用自定义导入器扩展 Python 的导入基础设施来实现的。 PackageImporter 提供与 importlib 导入器相同的核心 API；即，它实现了 import_module 和 __import__ 方法。

当您调用 PackageImporter.import_module() 时，PackageImporter 将构造并返回一个新模块，就像系统导入器所做的那样。但是，PackageImporter 修补返回的模块以使用 self（即该 PackageImporter 实例）来满足未来的导入请求，方法是查看包而不是搜索用户的 Python 环境。

混淆¶

为了避免混淆（“这个 foo.bar 对象是我的包中的对象，还是我的 Python 环境中的对象？”），PackageImporter 会对所有导入模块的 __name__ 和 __file__ 进行混淆，方法是在它们前面添加一个 _混淆前缀_。

对于 __name__，像 torchvision.models.resnet18 这样的名称将变为 <torch_package_0>.torchvision.models.resnet18。

对于 __file__，像 torchvision/models/resnet18.py 这样的名称将变为 <torch_package_0>.torchvision/modules/resnet18.py。

名称混淆有助于避免不同包之间模块名称的无意双关语，并通过使堆栈跟踪和打印语句更清晰地显示它们是指打包代码还是非打包代码来帮助您调试。有关混淆的面向开发人员的详细信息，请查阅 torch/package/ 中的 mangling.md。

API 参考 ¶

class torch.package.PackagingError(dependency_graph, debug=False)[source]¶

当导出包时出现问题时，将引发此异常。 PackageExporter 将尝试收集所有错误并一次性向您展示它们。

class torch.package.EmptyMatchError[source]¶: 这是一个异常，当模拟或外部被标记为 allow_empty=False 并且在打包期间没有与任何模块匹配时抛出。

class torch.package.PackageExporter(f, importer=<torch.package.importer._SysImporter object>, debug=False)[source]¶

导出器允许您将代码包、腌制的 Python 数据以及任意二进制和文本资源写入一个自包含的包中。

导入可以以一种封闭的方式加载此代码，这样代码是从包而不是正常的 Python 导入系统加载的。这允许打包 PyTorch 模型代码和数据，以便它可以在服务器上运行或将来用于迁移学习。

包中包含的代码在创建时会从原始源逐文件复制，文件格式是一个专门组织的 zip 文件。包的未来用户可以解压缩包并编辑代码以对其进行自定义修改。

包的导入器确保模块中的代码只能从包中加载，除非明确列出为使用 extern() 的外部模块。zip 存档中的 extern_modules 文件列出了包外部依赖的所有模块。这可以防止“隐式”依赖关系，即包在本地运行是因为它正在导入一个本地安装的包，但随后在包被复制到另一台机器时失败。

当源代码被添加到包中时，导出器可以选择性地扫描它以查找更多代码依赖关系（dependencies=True）。它查找导入语句，解析对限定模块名称的相对引用，并执行用户指定的动作（见：extern()、mock() 和 intern()）。

__init__(f, importer=<torch.package.importer._SysImporter object>, debug=False)[source]¶

创建导出器。

参数

f (Union[str, Path, BinaryIO]) – 导出目标位置。可以是包含文件名或二进制 I/O 对象的 string/Path 对象。
importer (Union[Importer, Sequence[Importer]]) – 如果传入单个 Importer，则使用它来搜索模块。如果传入一系列导入器，则将使用它们构建一个 OrderedImporter。
debug (bool) – 如果设置为 True，则将损坏模块的路径添加到 PackagingErrors 中。

add_dependency(module_name, dependencies=True)[source]¶

根据用户指定的模式，将给定模块添加到依赖关系图中。

all_paths(src, dst)[source]¶

返回子图的点表示: 它具有从 src 到 dst 的所有路径。

返回值: 包含从 src 到 dst 的所有路径的点表示。 (https://graphviz.org/doc/info/lang.html)
返回类型: str

close()[source]¶

将包写入文件系统。任何在调用 close() 之后进行的调用现在都无效。最好使用资源保护语法。

with PackageExporter("file.zip") as e:
    ...

denied_modules()[source]¶

返回当前被拒绝的所有模块。

返回值: 包含将在该包中拒绝的模块名称的列表。
返回类型: List[str]

deny(include, *, exclude=())[source]¶

从包可以导入的模块列表中，将名称与给定 glob 模式匹配的模块列入黑名单。如果发现对任何匹配包的依赖关系，则会引发 PackagingError。

参数

include (Union[List[str], str]) – 一个字符串，例如 "my_package.my_subpackage"，或要外部化的模块名称的字符串列表。这也可以是 glob 样式的模式，如 mock() 中所述。
exclude (Union[List[str], str]) – 一个可选模式，它排除与 include 字符串匹配的一些模式。

dependency_graph_string()[source]¶

返回包中依赖关系的有向图字符串表示。

返回值: 包中依赖关系的字符串表示。
返回类型: str

extern(include, *, exclude=(), allow_empty=True)[source]¶

将 module 包含在包可以导入的外部模块列表中。这将阻止依赖关系发现将它保存在包中。导入器将直接从标准导入系统加载外部模块。外部模块的代码也必须存在于加载该包的进程中。

参数

include (Union[List[str], str]) – 一个字符串，例如 "my_package.my_subpackage"，或要外部化的模块名称的字符串列表。这也可以是 glob 样式的模式，如 mock() 中所述。
exclude (Union[List[str], str]) – 一个可选模式，它排除与 include 字符串匹配的一些模式。
allow_empty (bool) – 一个可选标志，它指定通过对 extern 方法的调用指定的外部模块在打包过程中是否必须与某个模块匹配。如果使用 allow_empty=False 添加了外部模块 glob 模式，并且在任何模块匹配该模式之前调用了 close()（显式地或通过 __exit__），则会抛出异常。如果 allow_empty=True，则不会抛出任何异常。

externed_modules()[source]¶

返回当前外部化的所有模块。

返回值: 包含将在该包中外部化的模块名称的列表。
返回类型: List[str]

get_rdeps(module_name)[source]¶

返回依赖于模块 module_name 的所有模块的列表。

返回值: 包含依赖于 module_name 的模块名称的列表。
返回类型: List[str]

get_unique_id()[source]¶

获取 ID。保证该 ID 仅为该包分配一次。

返回类型: str

intern(include, *, exclude=(), allow_empty=True)[source]¶

指定要打包的模块。模块必须与某个 intern 模式匹配才能包含在包中，并对其依赖关系进行递归处理。

参数

include (Union[List[str], str]) – 一个字符串，例如“my_package.my_subpackage”，或要外部化的模块名称的字符串列表。这也可以是 glob 样式的模式，如 mock() 中所述。
exclude (Union[List[str], str]) – 一个可选模式，它排除与 include 字符串匹配的一些模式。
allow_empty (bool) – 一个可选标志，它指定通过对 intern 方法的调用指定的内部模块在打包过程中是否必须与某个模块匹配。如果使用 allow_empty=False 添加了 intern 模块 glob 模式，并且在任何模块匹配该模式之前调用了 close()（显式地或通过 __exit__），则会抛出异常。如果 allow_empty=True，则不会抛出任何异常。

interned_modules()[source]¶

返回当前内部化的所有模块。

返回值: 包含将在该包中内部化的模块名称的列表。
返回类型: List[str]

mock(include, *, exclude=(), allow_empty=True)[source]¶

用模拟实现替换一些必需的模块。模拟的模块将为从其访问的任何属性返回一个伪对象。由于我们是逐个文件复制的，依赖关系解析有时会找到模型文件导入但其功能从未使用过的文件（例如自定义序列化代码或训练帮助程序）。使用此函数来模拟此功能，而无需修改原始代码。

参数

include (Union[List[str], str]) –
一个字符串，例如 "my_package.my_subpackage"，或要模拟的模块名称的字符串列表。字符串也可以是 glob 样式的模式字符串，它可能匹配多个模块。任何与该模式字符串匹配的必需依赖项将被自动模拟。

示例
'torch.**' – 匹配 torch 和 torch 的所有子模块，例如 'torch.nn' 和 'torch.nn.functional'

'torch.*' – 匹配 'torch.nn' 或 'torch.functional'，但不匹配 'torch.nn.functional'
exclude (Union[List[str], str]) – 一个可选模式，它排除与包含字符串匹配的一些模式。例如 include='torch.**', exclude='torch.foo' 将模拟所有 torch 包，除了 'torch.foo'，默认值：是 []。
allow_empty (bool) – 一个可选标志，指定此调用对 mock() 方法指定的模拟实现是否必须在打包期间与某些模块匹配。如果添加了一个模拟，并且 allow_empty=False，并且 close() 被调用（显式或通过 __exit__），并且模拟尚未与正在导出的包使用的模块匹配，则会抛出异常。如果 allow_empty=True，则不会抛出此类异常。

mocked_modules()[source]¶

返回当前模拟的所有模块。

返回值: 一个包含将在该包中模拟的模块名称的列表。
返回类型: List[str]

register_extern_hook(hook)[source]¶

在导出器上注册外部钩子。

每次模块匹配 extern() 模式时，都会调用该钩子。它应该具有以下签名

hook(exporter: PackageExporter, module_name: str) -> None

钩子将按注册顺序调用。

返回值: 可以通过调用 handle.remove() 来移除已添加的钩子的句柄。
返回类型: torch.utils.hooks.RemovableHandle

register_intern_hook(hook)[source]¶

在导出器上注册内部钩子。

每次模块匹配 intern() 模式时，都会调用该钩子。它应该具有以下签名

hook(exporter: PackageExporter, module_name: str) -> None

钩子将按注册顺序调用。

返回值: 可以通过调用 handle.remove() 来移除已添加的钩子的句柄。
返回类型: torch.utils.hooks.RemovableHandle

register_mock_hook(hook)[source]¶

在导出器上注册模拟钩子。

每次模块匹配 mock() 模式时，都会调用该钩子。它应该具有以下签名

hook(exporter: PackageExporter, module_name: str) -> None

钩子将按注册顺序调用。

返回值: 可以通过调用 handle.remove() 来移除已添加的钩子的句柄。
返回类型: torch.utils.hooks.RemovableHandle

save_binary(package, resource, binary)[source]¶

将原始字节保存到包中。

参数

package (str) – 该资源应进入的模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称，用于识别它以进行加载。
binary (str) – 要保存的数据。

save_module(module_name, dependencies=True)[source]¶

将 module 的代码保存到包中。使用 importers 路径找到模块对象来解析模块的代码，然后使用其 __file__ 属性来找到源代码。

参数

module_name (str) – 例如 my_package.my_subpackage，代码将被保存以提供该包的代码。
dependencies (bool, optional) – 如果为 True，我们将扫描源代码以查找依赖关系。

save_pickle(package, resource, obj, dependencies=True, pickle_protocol=3)[source]¶

使用 pickle 将 Python 对象保存到存档中。等效于 torch.save()，但保存到存档而不是独立文件。标准 pickle 不会保存代码，只会保存对象。如果 dependencies 为 true，此方法还将扫描腌制的对象以查找哪些模块是重建它们所必需的，并保存相关代码。

为了能够保存一个对象，其中 type(obj).__name__ 是 my_module.MyObject，my_module.MyObject 必须根据 importer 顺序解析为对象的类。保存以前打包过的对象的时，导入器的 import_module 方法需要存在于 importer 列表中，以便此方法起作用。

参数

package (str) – 该资源应进入的模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称，用于识别它以进行加载。
obj (Any) – 要保存的对象，必须是可腌制的。
dependencies (bool, optional) – 如果为 True，我们将扫描源代码以查找依赖关系。

save_source_file(module_name, file_or_directory, dependencies=True)[source]¶

将本地文件系统 file_or_directory 添加到源包中，以提供 module_name 的代码。

参数

module_name (str) – 例如 "my_package.my_subpackage"，代码将保存以提供此包的代码。
file_or_directory (str) – 代码文件或目录的路径。如果是目录，则使用 save_source_file() 递归地复制目录中的所有 Python 文件。如果文件名为 "/__init__.py"，则代码将被视为包。
dependencies (bool, optional) – 如果为 True，我们将扫描源代码以查找依赖关系。

save_source_string(module_name, src, is_package=False, dependencies=True)[source]¶

将 src 添加为导出包中 module_name 的源代码。

参数

module_name (str) – 例如 my_package.my_subpackage，代码将被保存以提供该包的代码。
src (str) – 要保存的此包的 Python 源代码。
is_package (bool, optional) – 如果为 True，则此模块将被视为包。包允许具有子模块（例如 my_package.my_subpackage.my_subsubpackage），并且资源可以保存在其中。默认值为 False。
dependencies (bool, optional) – 如果为 True，我们将扫描源代码以查找依赖关系。

save_text(package, resource, text)[source]¶

将文本数据保存到包中。

参数

package (str) – 该资源应进入的模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称，用于识别它以进行加载。
text (str) – 要保存的内容。

class torch.package.PackageImporter(file_or_buffer, module_allowed=<function PackageImporter.<lambda>>)[source]¶

导入器允许您加载由 PackageExporter 编写的包中的代码。代码以隔离的方式加载，使用包中的文件而不是正常的 Python 导入系统。这允许打包 PyTorch 模型代码和数据，以便它可以在服务器上运行或将来用于迁移学习。

包的导入器确保模块中的代码只能从包内部加载，除非在导出期间明确列出为外部模块。压缩包中的 extern_modules 文件列出了包外部依赖的所有模块。这可以防止“隐式”依赖关系，即该包在本地运行是因为它正在导入一个本地安装的包，但当该包被复制到另一台机器时，它就会失败。

__init__(file_or_buffer, module_allowed=<function PackageImporter.<lambda>>)[source]¶

打开 file_or_buffer 进行导入。这将检查导入的包是否仅需要 module_allowed 允许的模块。

参数

file_or_buffer (Union[str, PyTorchFileReader, PathLike, BinaryIO]) – 文件类对象（必须实现 read()、readline()、tell() 和 seek()）、字符串或包含文件名 os.PathLike 对象。
module_allowed (Callable[[str], bool], optional) – 用于确定是否允许外部提供的模块的方法。可用于确保加载的包不依赖于服务器不支持的模块。默认值为允许任何模块。

Raises

ImportError – 如果包将使用不允许的模块。

file_structure(*, include='**', exclude=())[source]¶

返回包的 zipfile 的文件结构表示。

参数

include (Union[List[str], str]) – 可选字符串，例如 "my_package.my_subpackage"，或可选的字符串列表，用于表示 zipfile 中要包含的文件名。这也可以是 glob 风格的模式，如 PackageExporter.mock() 中所述。
exclude (Union[List[str], str]) – 可选模式，用于排除其名称与模式匹配的文件。

返回值

Directory

返回类型

Directory

id()[source]¶

返回 torch.package 用于区分 PackageImporter 实例的内部标识符。类似于

<torch_package_0>

import_module(name, package=None)[source]¶

如果模块尚未加载，则从包中加载模块，然后返回该模块。模块在导入器中本地加载，并将出现在 self.modules 中，而不是 sys.modules 中。

参数

name (str) – 要加载的模块的完全限定名称。
package ([type], optional) – 未使用，但存在以匹配 importlib.import_module 的签名。默认值为 None。

返回值

已加载（或可能已加载）的模块。

返回类型

types.ModuleType

load_binary(package, resource)[source]¶

加载原始字节。

参数

package (str) – 模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称。

返回值

已加载的数据。

返回类型

bytes

load_pickle(package, resource, map_location=None)[source]¶

从包中解包资源，使用 import_module() 加载构造对象所需的任何模块。

参数

package (str) – 模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称。
map_location – 传递给 torch.load 以确定张量如何映射到设备。默认为 None。

返回值

解包的对象。

返回类型

Any

load_text(package, resource, encoding='utf-8', errors='strict')[source]¶

加载字符串。

参数

package (str) – 模块包的名称（例如 "my_package.my_subpackage"）。
resource (str) – 资源的唯一名称。
编码 (str, 可选) – 传递给 decode。默认为 'utf-8'。
错误 (str, 可选) – 传递给 decode。默认为 'strict'。

返回值

加载的文本。

返回类型

str

python_version()[source]¶

返回用于创建此包的 Python 版本。

注意：此函数是实验性的，不具有向前兼容性。计划稍后将其移至锁定文件。

返回值: Optional[str] Python 版本，例如 3.8.9，如果此包未存储任何版本，则为 None。

class torch.package.Directory(name, is_dir)[source]¶

文件结构表示。组织为包含其 Directory 子节点列表的 Directory 节点。包的目录是通过调用 PackageImporter.file_structure() 创建的。

has_file(filename)[source]¶

检查 Directory 中是否存在文件。

参数: filename (str) – 要搜索的文件的路径。
返回值: 如果 Directory 包含指定的文件。
返回类型: bool

torch.package¶

将软件包视为 ZIP 存档¶

使用 file_structure() API¶

框架文件¶

用户文件¶

分析对象的依赖项¶

分析模块的依赖项¶

intern¶

extern¶

mock¶

重构¶

模式¶

避免在模块中使用全局状态¶

类型在包和加载环境之间不共享¶

混淆¶

文档

教程

资源

使用 `file_structure()` API¶

`intern`¶

`extern`¶

`mock`¶