推理模式#
c10::InferenceMode 是一个新的 RAII 守护类，类似于 NoGradMode，用于在您确定操作不会与自动微分（例如模型训练）发生交互时使用。与 NoGradMode 相比，在此模式下运行的代码通过禁用自动微分相关的操作（如视图跟踪和版本计数器递增）来获得更好的性能。但是，在 c10::InferenceMode 内部创建的张量在与自动微分系统交互时也有更多的限制。
InferenceMode 可以为给定的代码块启用。在 InferenceMode 内部，所有新分配的（非视图）张量都会被标记为推理张量。推理张量
没有版本计数器，因此如果您尝试读取其版本（例如，因为您保存了此张量用于反向传播），将会引发错误。
在
InferenceMode外部是不可变的。因此，如果您尝试：- 在InferenceMode外部修改其数据。- 在InferenceMode外部将其修改为requires_grad=True。为了规避这个问题，您可以在InferenceMode外部创建一个克隆，以获取一个普通张量，然后再进行修改。
非视图张量是推理张量，当且仅当它是在 InferenceMode 内部分配的。视图张量是推理张量，当且仅当它是推理张量的视图。
在 InferenceMode 块内部，我们做出以下性能保证：
与
NoGradMode类似，所有操作都不会记录grad_fn，即使它们的输入具有requires_grad=True。这适用于推理张量和普通张量。对推理张量执行视图操作不会进行视图跟踪。视图和非视图推理张量是无法区分的。
对推理张量执行原地操作保证不会进行版本递增。
有关 InferenceMode 的更多实现细节，请参阅 RFC-0011-InferenceMode。
从 AutoNonVariableTypeMode 迁移指南#
在 PyTorch 推理工作负载的生产环境中，我们发现 C++ 守护类 AutoNonVariableTypeMode（现在是 AutoDispatchBelowADInplaceOrView）的使用非常普遍，它会禁用自动微分、视图跟踪和版本计数器递增。不幸的是，该守护类当前在推理工作负载中的惯用用法是不安全的：使用 AutoNonVariableTypeMode 可能会绕过 PyTorch 的安全检查，并导致静默的错误结果。例如，当为反向传播保存的张量随后被修改时，PyTorch 会引发错误，但发生在 AutoNonVariableTypeMode 内部的修改会静默地绕过检查，并向用户返回错误的梯度。
当 AutoNonVariableTypeMode 的当前用户考虑迁移时，以下步骤可能有助于您决定最佳替代方案：
尝试在仅推理模式下运行工作负载（例如，加载预训练的 JIT 模型并在 C++ 运行时执行推理）的用户，应该添加
c10::InferenceMode guard来保护张量上的所有操作（包括模型加载）。请参见下面的推理工作负载示例。
c10::InferenceMode guard;
model.load_jit(saved_model);
auto inputs = preprocess_tensors(data);
auto out = model.forward(inputs);
auto outputs = postprocess_tensors(out);
注意：c10::InferenceMode 为 AutoNonVariableTypeMode 提供了直接的替代方案，保留了 AutoNonVariableTypeMode 的性能特征。但它们也存在一些差异，用户应额外注意：
这两个守护类都会影响张量执行过程以跳过与推理无关的工作，但
InferenceMode也会影响张量创建，而AutoNonVariableTypeMode不会。换句话说，在InferenceMode内部创建的张量会被标记为推理张量，以便在退出InferenceMode后可以应用某些限制。
InferenceMode的启用/禁用状态可以嵌套，而AutoNonVariableTypeMode只允许启用状态。
{
InferenceMode guard(true);
// InferenceMode is on
{
InferenceMode guard(false);
// InferenceMode is off
}
// InferenceMode is on
}
// InferenceMode is off
尝试实现自定义内核并希望在
Autograddispatch 键下重新分派的用户，应该改用AutoDispatchBelowADInplaceOrView。请注意，AutoDispatchBelowADInplaceOrView只是AutoNonVariableTypeMode的新名称，因为它更好地解释了守护类的功能。我们正在弃用AutoNonVariableTypeMode，它将在 1.10 版本中移除。有关示例，请参阅pytorch/vision中的自定义内核ROIAlignFunction。
class ROIAlignFunction : public torch::autograd::Function<ROIAlignFunction> {
public:
static torch::autograd::variable_list forward(
torch::autograd::AutogradContext* ctx,
const torch::autograd::Variable& input,
const torch::autograd::Variable& rois,
double spatial_scale,
int64_t pooled_height,
int64_t pooled_width,
int64_t sampling_ratio,
bool aligned) {
ctx->saved_data["spatial_scale"] = spatial_scale;
ctx->saved_data["pooled_height"] = pooled_height;
ctx->saved_data["pooled_width"] = pooled_width;
ctx->saved_data["sampling_ratio"] = sampling_ratio;
ctx->saved_data["aligned"] = aligned;
ctx->saved_data["input_shape"] = input.sizes();
ctx->save_for_backward({rois});
// Used to be at::AutoNonVariableTypeMode g;
at::AutoDispatchBelowADInplaceOrView guard;
auto result = roi_align(
input, rois, spatial_scale, pooled_height,
pooled_width, sampling_ratio, aligned);
return {result};
}
自定义原地和视图内核需要除上述守护类之外的一些特殊处理，有关更多详细信息，请参阅 自定义内核教程。
