torch.vmap#
- torch.vmap(func, in_dims=0, out_dims=0, randomness='error', *, chunk_size=None)[source]#
vmap 是向量化映射；
vmap(func)返回一个新函数，该函数将func映射到输入的一些维度上。从语义上讲，vmap 将映射推入func所调用的 PyTorch 操作中，从而有效地将这些操作向量化。vmap 对于处理批处理维度很有用：可以编写一个在示例上运行的函数
func，然后将其提升为能够接受示例批次的函数vmap(func)。vmap 还可以与 autograd 结合使用来计算批处理梯度。注意
为方便起见，
torch.vmap()被别名为torch.func.vmap()。你可以使用任何一个。- 参数
func (function) – 接受一个或多个参数的 Python 函数。必须返回一个或多个 Tensor。
in_dims (int 或 嵌套结构) – 指定应在输入中映射哪个维度。
in_dims的结构应与输入匹配。如果某个输入的in_dim为 None，则表示没有映射维度。默认为 0。out_dims (int 或 Tuple[int]) – 指定映射维度在输出中出现的位置。如果
out_dims是一个 Tuple，则它应该为每个输出包含一个元素。默认为 0。randomness (str) – 指定此 vmap 中的随机性在批次之间是否相同。如果为“different”，则每个批次的随机性将不同。如果为“same”，则随机性在批次之间将相同。如果为“error”，则任何随机函数调用都将导致错误。默认为“error”。警告：此标志仅适用于随机 PyTorch 操作，不适用于 Python 的 random 模块或 numpy 随机性。
chunk_size (None 或 int) – 如果为 None（默认），则对输入应用单个 vmap。如果非 None，则一次计算
chunk_size个样本的 vmap。请注意，chunk_size=1等效于使用 for 循环计算 vmap。如果您在计算 vmap 时遇到内存问题，请尝试使用非 None 的 chunk_size。
- 返回
返回一个新的“批处理”函数。它接受与
func相同的输入，只是每个输入在in_dims指定的索引处多了一个维度。它返回与func相同的输出，只是每个输出在out_dims指定的索引处多了一个维度。- 返回类型
使用
vmap()的一个例子是计算批处理点积。PyTorch 没有提供批处理的torch.dotAPI；与其在文档中徒劳地搜索，不如使用vmap()来构造一个新函数。>>> torch.dot # [D], [D] -> [] >>> batched_dot = torch.func.vmap(torch.dot) # [N, D], [N, D] -> [N] >>> x, y = torch.randn(2, 5), torch.randn(2, 5) >>> batched_dot(x, y)
vmap()有助于隐藏批处理维度，从而带来更简单的模型编写体验。>>> batch_size, feature_size = 3, 5 >>> weights = torch.randn(feature_size, requires_grad=True) >>> >>> def model(feature_vec): >>> # Very simple linear model with activation >>> return feature_vec.dot(weights).relu() >>> >>> examples = torch.randn(batch_size, feature_size) >>> result = torch.vmap(model)(examples)
vmap()还可以帮助向量化以前难以或不可能进行批处理的计算。例如，高阶梯度计算。PyTorch autograd 引擎计算 vjp（向量-雅可比积）。计算某个函数 f: R^N -> R^N 的完整雅可比矩阵通常需要 N 次调用autograd.grad，每次调用对应一行雅可比矩阵。通过使用vmap()，我们可以向量化整个计算，在一次autograd.grad调用中计算雅可比矩阵。>>> # Setup >>> N = 5 >>> f = lambda x: x ** 2 >>> x = torch.randn(N, requires_grad=True) >>> y = f(x) >>> I_N = torch.eye(N) >>> >>> # Sequential approach >>> jacobian_rows = [torch.autograd.grad(y, x, v, retain_graph=True)[0] >>> for v in I_N.unbind()] >>> jacobian = torch.stack(jacobian_rows) >>> >>> # vectorized gradient computation >>> def get_vjp(v): >>> return torch.autograd.grad(y, x, v) >>> jacobian = torch.vmap(get_vjp)(I_N)
vmap()也可以嵌套，生成具有多个批处理维度的输出。>>> torch.dot # [D], [D] -> [] >>> batched_dot = torch.vmap(torch.vmap(torch.dot)) # [N1, N0, D], [N1, N0, D] -> [N1, N0] >>> x, y = torch.randn(2, 3, 5), torch.randn(2, 3, 5) >>> batched_dot(x, y) # tensor of size [2, 3]
如果输入不在第一个维度上进行批处理，
in_dims会指定每个输入的批处理维度为>>> torch.dot # [N], [N] -> [] >>> batched_dot = torch.vmap(torch.dot, in_dims=1) # [N, D], [N, D] -> [D] >>> x, y = torch.randn(2, 5), torch.randn(2, 5) >>> batched_dot(x, y) # output is [5] instead of [2] if batched along the 0th dimension
如果存在多个输入，且每个输入在不同维度上进行批处理，
in_dims必须是一个元组，其中包含每个输入的批处理维度为>>> torch.dot # [D], [D] -> [] >>> batched_dot = torch.vmap(torch.dot, in_dims=(0, None)) # [N, D], [D] -> [N] >>> x, y = torch.randn(2, 5), torch.randn(5) >>> batched_dot(x, y) # second arg doesn't have a batch dim because in_dim[1] was None
如果输入是 Python 结构，
in_dims必须是一个元组，其中包含一个与输入形状匹配的结构。>>> f = lambda dict: torch.dot(dict['x'], dict['y']) >>> x, y = torch.randn(2, 5), torch.randn(5) >>> input = {'x': x, 'y': y} >>> batched_dot = torch.vmap(f, in_dims=({'x': 0, 'y': None},)) >>> batched_dot(input)
默认情况下，输出在第一个维度上进行批处理。但是，可以使用
out_dims在任何维度上进行批处理。>>> f = lambda x: x ** 2 >>> x = torch.randn(2, 5) >>> batched_pow = torch.vmap(f, out_dims=1) >>> batched_pow(x) # [5, 2]
对于任何使用 kwargs 的函数，返回的函数不会批处理 kwargs，但会接受 kwargs。
>>> x = torch.randn([2, 5]) >>> def fn(x, scale=4.): >>> return x * scale >>> >>> batched_pow = torch.vmap(fn) >>> assert torch.allclose(batched_pow(x), x * 4) >>> batched_pow(x, scale=x) # scale is not batched, output has shape [2, 2, 5]
注意
vmap 不提供开箱即用的通用自动批处理或处理可变长度序列。