快捷方式

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]][源代码]

用于按执行顺序返回节点名称的开发实用工具。参阅关于节点名称的说明,位于 create_feature_extractor() 下方。有助于查看哪些节点名称可用于特征提取。节点名称不能直接从模型代码中轻松读取的原因有两个

  1. 并非所有子模块都会被追踪。`torch.nn` 中的所有模块都属于此类。

  2. 表示重复应用同一操作或叶子模块的节点会带有一个 `_{counter}` 后缀。

模型会被追踪两次:一次在训练模式下,一次在评估模式下。两次追踪得到的节点名称列表都会被返回。

有关此处使用的节点命名约定的更多详细信息,请参阅 相关副标题文档中

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,它将被设置为包装所有 torchvision 操作并使其成为叶子节点:{“autowrap_modules”: (math, torchvision.ops,),”leaf_modules”: _get_leaf_modules_for_ops(),} 警告:如果用户提供了 `tracer_kwargs`,上述默认参数将附加到用户提供的字典中。

  • suppress_diff_warning (bool, 可选) – 当图的训练版本和评估版本存在差异时,是否抑制警告。默认为 False。

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

返回:

一个列表,包含在训练模式下追踪模型得到的节点名称;另一个列表,包含在评估模式下追踪模型得到的节点名称。

返回类型:

tuple(list, list)

示例

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

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源