get_graph_node_names

torchvision.models.feature_extraction.get_graph_node_names(model: Module, tracer_kwargs: Optional[Dict[str, Any]] = None, suppress_diff_warning: bool = False, concrete_args: Optional[Dict[str, Any]] = None) → Tuple[List[str], List[str]]

开发实用程序，用于按执行顺序返回节点名称。请参阅 create_feature_extractor() 下关于节点名称的注释。用于查看哪些节点名称可用于特征提取。节点名称不容易直接从模型的代码中读取有两个原因：

1. 并非所有子模块都被追踪。来自 torch.nn 的模块都属于此类别。

2. 表示相同操作或叶模块的重复应用的节点会获得 _{counter} 后缀。

模型被追踪两次：一次在训练模式下，一次在评估模式下。两组节点名称都会返回。

有关此处使用的节点命名约定的更多详细信息，请参阅 相关子标题，位于 文档 中。

参数:

• model (nn.Module) – 我们想要打印节点名称的模型

• tracer_kwargs (dict, 可选) – NodePathTracer 的关键字参数字典（它们最终会传递给 torch.fx.Tracer）。默认情况下，它将被设置为包装 torchvision 运算并使其成为叶节点：{“autowrap_modules”: (math, torchvision.ops,),”leaf_modules”: _get_leaf_modules_for_ops(),} 警告：如果用户提供 tracer_kwargs，则上述默认参数将附加到用户提供的字典中。

• suppress_diff_warning (bool, 可选) – 是否在图形的训练版本和评估版本之间存在差异时抑制警告。默认为 False。

• concrete_args (Optional[Dict[str, any]]) – 不应视为 Proxies 的具体参数。根据 Pytorch 文档，此参数的 API 可能无法保证。

返回:

从在训练模式下追踪模型获得的一系列节点名称，以及从在评估模式下追踪模型获得的另一系列节点名称。

返回类型:

tuple(list, list)

示例

>>> model = torchvision.models.resnet18()
>>> train_nodes, eval_nodes = get_graph_node_names(model)