torch.nn.utils.stateless.functional_call#
- torch.nn.utils.stateless.functional_call(module, parameters_and_buffers, args=None, kwargs=None, *, tie_weights=True, strict=False)[source]#
在通过提供的参数和缓冲区替换模块的参数和缓冲区后,对该模块执行函数式调用。
警告
此 API 在 PyTorch 2.0 中已弃用,将在 PyTorch 的未来版本中移除。请改用
torch.func.functional_call()
,它是此 API 的直接替代品。注意
如果模块具有激活的参数化,在
parameters_and_buffers
参数中提供一个名称与常规参数名称相同的键值对,将完全禁用参数化。如果您希望将参数化函数应用于传入的值,请将键设置为{submodule_name}.parametrizations.{parameter_name}.original
。注意
如果模块对参数/缓冲区执行原地操作,这些操作将反映在 parameters_and_buffers 输入中。
示例
>>> a = {'foo': torch.zeros(())} >>> mod = Foo() # does self.foo = self.foo + 1 >>> print(mod.foo) # tensor(0.) >>> functional_call(mod, a, torch.ones(())) >>> print(mod.foo) # tensor(0.) >>> print(a['foo']) # tensor(1.)
注意
如果模块具有绑定的权重,functional_call 是否遵循绑定取决于 tie_weights 标志。
示例
>>> a = {'foo': torch.zeros(())} >>> mod = Foo() # has both self.foo and self.foo_tied which are tied. Returns x + self.foo + self.foo_tied >>> print(mod.foo) # tensor(1.) >>> mod(torch.zeros(())) # tensor(2.) >>> functional_call(mod, a, torch.zeros(())) # tensor(0.) since it will change self.foo_tied too >>> functional_call(mod, a, torch.zeros(()), tie_weights=False) # tensor(1.)--self.foo_tied is not updated >>> new_a = {'foo': torch.zeros(()), 'foo_tied': torch.zeros(())} >>> functional_call(mod, new_a, torch.zeros()) # tensor(0.)
- 参数
module (torch.nn.Module) – 要调用的模块
parameters_and_buffers (dict of str and Tensor) – 在模块调用中使用的参数。
args (Any or tuple) – 要传递给模块调用的参数。如果不是元组,则视为单个参数。
kwargs (dict) – 要传递给模块调用的关键字参数
tie_weights (bool, optional) – 如果为 True,则原始模型中绑定的参数和缓冲区将在重新参数化的版本中被视为绑定。因此,如果为 True 且为绑定的参数和缓冲区传递了不同的值,则会报错。如果为 False,则除非传递给两个权重的值相同,否则将不遵循原始绑定的参数和缓冲区。默认为 True。
strict (bool, optional) – 如果为 True,则传入的参数和缓冲区必须与原始模块中的参数和缓冲区匹配。因此,如果为 True 且存在任何缺失或意外的键,则会报错。默认为 False。
- 返回
调用
module
的结果。- 返回类型
任何