LazyModuleMixin#

class torch.nn.modules.lazy.LazyModuleMixin(*args, **kwargs)[源代码]#

一种用于延迟初始化参数的模块的混合类，也称为“延迟模块”。

延迟初始化参数的模块，即“延迟模块”，从其 forward 方法的第一个输入推断其参数的形状。在第一次 forward 之前，它们包含不应被访问或使用的 torch.nn.UninitializedParameter，之后它们包含常规的 torch.nn.Parameter。延迟模块很方便，因为它们不需要计算某些模块参数，例如典型 torch.nn.Linear 的 in_features 参数。

构造完成后，带有延迟模块的网络应首先转换为所需的 dtype 并放置在预期的设备上。这是因为延迟模块仅执行形状推断，因此通常的 dtype 和设备放置行为适用。然后，延迟模块应执行“试运行”以初始化模块中的所有组件。这些“试运行”会将正确大小、dtype 和设备的输入通过网络发送到其每个延迟模块。之后，网络就可以像平常一样使用。

>>> class LazyMLP(torch.nn.Module):
...     def __init__(self) -> None:
...         super().__init__()
...         self.fc1 = torch.nn.LazyLinear(10)
...         self.relu1 = torch.nn.ReLU()
...         self.fc2 = torch.nn.LazyLinear(1)
...         self.relu2 = torch.nn.ReLU()
...
...     def forward(self, input):
...         x = self.relu1(self.fc1(input))
...         y = self.relu2(self.fc2(x))
...         return y
>>> # constructs a network with lazy modules
>>> lazy_mlp = LazyMLP()
>>> # transforms the network's device and dtype
>>> # NOTE: these transforms can and should be applied after construction and before any 'dry runs'
>>> lazy_mlp = lazy_mlp.cuda()
>>> lazy_mlp
LazyMLP( (fc1): LazyLinear(in_features=0, out_features=10, bias=True)
  (relu1): ReLU()
  (fc2): LazyLinear(in_features=0, out_features=1, bias=True)
  (relu2): ReLU()
)
>>> # performs a dry run to initialize the network's lazy modules
>>> lazy_mlp(torch.ones(10, 10).cuda())
>>> # after initialization, LazyLinear modules become regular Linear modules
>>> lazy_mlp
LazyMLP(
  (fc1): Linear(in_features=10, out_features=10, bias=True)
  (relu1): ReLU()
  (fc2): Linear(in_features=10, out_features=1, bias=True)
  (relu2): ReLU()
)
>>> # attaches an optimizer, since parameters can now be used as usual
>>> optim = torch.optim.SGD(lazy_mlp.parameters(), lr=0.01)

使用延迟模块时的最后一点注意事项是，网络参数的初始化顺序可能会发生变化，因为延迟模块总是在其他模块之后初始化。例如，如果上面定义的 LazyMLP 类首先有一个 torch.nn.LazyLinear 模块，然后是第二个常规 torch.nn.Linear 模块，那么第二个模块将在构造时初始化，而第一个模块将在第一次试运行时初始化。这可能会导致使用延迟模块的网络参数的初始化方式与不使用延迟模块的网络的参数不同，因为参数初始化的顺序（通常取决于有状态的随机数生成器）是不同的。有关更多详细信息，请参阅可复现性。

延迟模块可以像其他模块一样使用 state dict 进行序列化。例如

>>> lazy_mlp = LazyMLP()
>>> # The state dict shows the uninitialized parameters
>>> lazy_mlp.state_dict()
OrderedDict({'fc1.weight': <UninitializedParameter>,
             'fc1.bias': <UninitializedParameter>,
             'fc2.weight': <UninitializedParameter>,
             'fc2.bias': <UninitializedParameter>})

延迟模块可以加载常规的 torch.nn.Parameter（即，您可以序列化/反序列化已初始化的 LazyModule，它们将保持已初始化状态）

>>> full_mlp = LazyMLP()
>>> # Dry run to initialize another module
>>> full_mlp.forward(torch.ones(10, 1))
>>> # Load an initialized state into a lazy module
>>> lazy_mlp.load_state_dict(full_mlp.state_dict())
>>> # The state dict now holds valid values
>>> lazy_mlp.state_dict()
OrderedDict([('fc1.weight',
              tensor([[-0.3837],
                      [ 0.0907],
                      [ 0.6708],
                      [-0.5223],
                      [-0.9028],
                      [ 0.2851],
                      [-0.4537],
                      [ 0.6813],
                      [ 0.5766],
                      [-0.8678]])),
             ('fc1.bias',
              tensor([-1.8832e+25,  4.5636e-41, -1.8832e+25,  4.5636e-41, -6.1598e-30,
                       4.5637e-41, -1.8788e+22,  4.5636e-41, -2.0042e-31,  4.5637e-41])),
             ('fc2.weight',
              tensor([[ 0.1320,  0.2938,  0.0679,  0.2793,  0.1088, -0.1795, -0.2301,  0.2807,
                        0.2479,  0.1091]])),
             ('fc2.bias', tensor([0.0019]))])

但是请注意，如果在加载状态时已初始化参数，则在执行“试运行”时不会替换加载的参数。这可以防止在不同上下文中重用已初始化的模块。

has_uninitialized_params()[源代码]#

检查一个模块是否具有尚未初始化的参数。

initialize_parameters(*args, **kwargs)[源代码]#

Initialize parameters according to the input batch properties.

This adds an interface to isolate parameter initialization from the forward pass when doing parameter shape inference.

LazyModuleMixin#

文档

教程

资源