PromptData¶

class torchrl.data.PromptData(input_ids: 'torch.Tensor', attention_mask: 'torch.Tensor', prompt_rindex: 'torch.Tensor', labels: 'torch.Tensor | None' = None, logits: 'torch.Tensor | None' = None, loss: 'torch.Tensor | None' = None, *, batch_size, device=None, names=None)[源代码]¶

property device: device¶: 检索张量类的设备类型。

dumps(prefix: str | None = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

将tensordict保存到磁盘。

此函数是 memmap() 的代理。

classmethod fields()¶

返回一个描述此数据类的字段的元组。字段类型为 Field。

接受一个数据类或其实例。元组元素为 Field 类型。

classmethod from_dataset(split, dataset_name=None, max_length=550, root_dir=None, from_disk=False, num_workers: int | None = None)[源代码]¶

从数据集名称返回一个 PromptData。

参数:

split (str) – "train" 或 "valid"，取决于所需的数据集切分。
dataset_name (str, optional) – 要处理的数据集名称。默认为 "CarperAI/openai_summarize_comparisons"。
max_length (int, optional) – 数据集序列的最大长度。默认为 550。
root_dir (path, optional) – 存储数据集的路径。默认为 "$HOME/.cache/torchrl/data"
from_disk (bool, optional) – 如果为 True，则会使用 datasets.load_from_disk()。否则，会使用 datasets.load_dataset()。默认为 False。
num_workers (int, optional) – 在标记化过程中调用的 datasets.dataset.map() 的工作进程数。默认为 max(os.cpu_count() // 2, 1)。

返回：一个 PromptData 实例，包含所需数据集的内存映射版本。: 版本。

示例

>>> data = PromptData.from_dataset("train")
>>> print(data)
PromptDataTLDR(
    attention_mask=MemoryMappedTensor(shape=torch.Size([116722, 550]), device=cpu, dtype=torch.int64, is_shared=False),
    input_ids=MemoryMappedTensor(shape=torch.Size([116722, 550]), device=cpu, dtype=torch.int64, is_shared=False),
    prompt_rindex=MemoryMappedTensor(shape=torch.Size([116722]), device=cpu, dtype=torch.int64, is_shared=False),
    labels=MemoryMappedTensor(shape=torch.Size([116722, 550]), device=cpu, dtype=torch.int64, is_shared=False),
    logits=None,
    loss=None,
    batch_size=torch.Size([116722]),
    device=None,
    is_shared=False)
>>> # data can be sampled from using regular indexing
>>> sub_data = data[:3]

classmethod from_tensordict(tensordict, non_tensordict=None, safe=True)¶

用于实例化新张量类对象的张量类包装器。

参数:

tensordict (TensorDict) – 张量类型的字典
non_tensordict (dict) – 包含非张量和嵌套张量类对象的字典

get(key: NestedKey, *args, **kwargs)¶

获取输入键对应的存储值。

参数:

key (str, tuple of str) – 要查询的键。如果是字符串元组，则等同于链式调用 getattr。
default – 如果在张量类中找不到键，则返回默认值。

返回:

存储在输入键下的值

classmethod load(prefix: str | Path, *args, **kwargs) → T¶

从磁盘加载 tensordict。

此类方法是 load_memmap() 的代理。

load_(prefix: str | Path, *args, **kwargs)¶

在当前 tensordict 中从磁盘加载 tensordict。

此类方法是 load_memmap_() 的代理。

classmethod load_memmap(prefix: str | Path, device: torch.device | None = None, non_blocking: bool = False, *, out: TensorDictBase | None = None) → T¶

从磁盘加载内存映射的 tensordict。

参数:

prefix (str 或 Path to folder) – 应获取已保存 tensordict 的文件夹路径。
device (torch.device 或等效, optional) – 如果提供，数据将被异步转换为该设备。支持 “meta” 设备，在这种情况下，数据不会被加载，而是创建一组空的“meta”张量。这对于在不实际打开任何文件的情况下了解模型的总大小和结构非常有用。
non_blocking (bool, optional) – 如果为 True，在将张量加载到设备后不会进行同步。默认为 False。
out (TensorDictBase, optional) – 数据应写入的可选 tensordict。

示例

>>> from tensordict import TensorDict
>>> td = TensorDict.fromkeys(["a", "b", "c", ("nested", "e")], 0)
>>> td.memmap("./saved_td")
>>> td_load = TensorDict.load_memmap("./saved_td")
>>> assert (td == td_load).all()

此方法还允许加载嵌套的 tensordicts。

示例

>>> nested = TensorDict.load_memmap("./saved_td/nested")
>>> assert nested["e"] == 0

tensordict 也可以在“meta”设备上加载，或者作为假张量加载。

示例

>>> import tempfile
>>> td = TensorDict({"a": torch.zeros(()), "b": {"c": torch.zeros(())}})
>>> with tempfile.TemporaryDirectory() as path:
...     td.save(path)
...     td_load = TensorDict.load_memmap(path, device="meta")
...     print("meta:", td_load)
...     from torch._subclasses import FakeTensorMode
...     with FakeTensorMode():
...         td_load = TensorDict.load_memmap(path)
...         print("fake:", td_load)
meta: TensorDict(
    fields={
        a: Tensor(shape=torch.Size([]), device=meta, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: Tensor(shape=torch.Size([]), device=meta, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=meta,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=meta,
    is_shared=False)
fake: TensorDict(
    fields={
        a: FakeTensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        b: TensorDict(
            fields={
                c: FakeTensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False)},
            batch_size=torch.Size([]),
            device=cpu,
            is_shared=False)},
    batch_size=torch.Size([]),
    device=cpu,
    is_shared=False)

load_state_dict(state_dict: dict[str, Any], strict=True, assign=False, from_flatten=False)¶: 尝试将 state_dict 加载到目标张量类中（原地）。

memmap(prefix: str | None = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False, existsok: bool = True) → T¶

将所有张量写入内存映射的 Tensor 中，并放入新的 tensordict。

参数:

prefix (str) – 内存映射张量将存储的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则如果 tensordict 中的条目已经是存储在磁盘上的张量并具有关联文件，但未按 prefix 正确保存，将引发异常。如果为 True，任何现有的张量都将被复制到新位置。

关键字参数:

num_threads (int, optional) – 用于写入 memmap 张量的线程数。默认为 0。
return_early (bool, optional) – 如果为 True 且 num_threads>0，则方法将返回 tensordict 的 future。
share_non_tensor (bool, optional) – 如果为 True，非张量数据将在进程之间共享，并且在单个节点内的任何工作进程上的写入操作（例如原地更新或设置）将更新所有其他工作进程上的值。如果非张量叶子数量很高（例如，共享大型非张量数据堆栈），这可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, optional) – 如果为 False，如果张量已存在于同一路径中，将引发异常。默认为 True。

然后，TensorDict 将被锁定，这意味着任何非原地写入操作都将引发异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将被设置为 False，因为进程间标识不再得到保证。

返回:: 一个包含内存映射张量的新 tensordict（如果 return_early=False），否则是一个 TensorDictFuture 实例。

注意

以这种方式序列化对于深度嵌套的 tensordicts 来说可能很慢，因此不建议在训练循环中调用此方法。

memmap_(prefix: str | None = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False, existsok: bool = True) → T¶

将所有张量原地写入相应的内存映射张量。

参数:

prefix (str) – 内存映射张量将存储的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则如果 tensordict 中的条目已经是存储在磁盘上的张量并具有关联文件，但未按 prefix 正确保存，将引发异常。如果为 True，任何现有的张量都将被复制到新位置。

关键字参数:

num_threads (int, optional) – 用于写入 memmap 张量的线程数。默认为 0。
return_early (bool, optional) – 如果为 True 且 num_threads>0，则方法将返回 tensordict 的 future。可以使用 future.result() 查询结果 tensordict。
share_non_tensor (bool, optional) – 如果为 True，非张量数据将在进程之间共享，并且在单个节点内的任何工作进程上的写入操作（例如原地更新或设置）将更新所有其他工作进程上的值。如果非张量叶子数量很高（例如，共享大型非张量数据堆栈），这可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, optional) – 如果为 False，如果张量已存在于同一路径中，将引发异常。默认为 True。

然后，TensorDict 将被锁定，这意味着任何非原地写入操作都将引发异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将被设置为 False，因为进程间标识不再得到保证。

返回:: 如果 return_early=False，则返回 self，否则返回 TensorDictFuture 实例。

注意

以这种方式序列化对于深度嵌套的 tensordicts 来说可能很慢，因此不建议在训练循环中调用此方法。

memmap_like(prefix: str | None = None, copy_existing: bool = False, *, existsok: bool = True, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

创建一个无内容的内存映射 tensordict，其形状与原始 tensordict 相同。

参数:

prefix (str) – 内存映射张量将存储的目录前缀。目录树结构将模仿 tensordict 的结构。
copy_existing (bool) – 如果为 False（默认），则如果 tensordict 中的条目已经是存储在磁盘上的张量并具有关联文件，但未按 prefix 正确保存，将引发异常。如果为 True，任何现有的张量都将被复制到新位置。

关键字参数:

num_threads (int, optional) – 用于写入 memmap 张量的线程数。默认为 0。
return_early (bool, optional) – 如果为 True 且 num_threads>0，则方法将返回 tensordict 的 future。
share_non_tensor (bool, optional) – 如果为 True，非张量数据将在进程之间共享，并且在单个节点内的任何工作进程上的写入操作（例如原地更新或设置）将更新所有其他工作进程上的值。如果非张量叶子数量很高（例如，共享大型非张量数据堆栈），这可能会导致 OOM 或类似错误。默认为 False。
existsok (bool, optional) – 如果为 False，如果张量已存在于同一路径中，将引发异常。默认为 True。

然后，TensorDict 将被锁定，这意味着任何非原地写入操作都将引发异常（例如，重命名、设置或删除条目）。一旦 tensordict 被解锁，内存映射属性将被设置为 False，因为进程间标识不再得到保证。

返回:: 一个 TensorDict 实例，其数据存储为内存映射张量（如果 return_early=False），否则是一个 TensorDictFuture 实例。

注意

这是将大型缓冲区集写入磁盘的推荐方法，因为 memmap_() 会复制信息，这对于大量内容来说可能很慢。

示例

>>> td = TensorDict({
...     "a": torch.zeros((3, 64, 64), dtype=torch.uint8),
...     "b": torch.zeros(1, dtype=torch.int64),
... }, batch_size=[]).expand(1_000_000)  # expand does not allocate new memory
>>> buffer = td.memmap_like("/path/to/dataset")

memmap_refresh_()¶

如果内存映射的 tensordict 具有 saved_path，则刷新其内容。

如果没有任何路径与之关联，此方法将引发异常。

save(prefix: str | None = None, copy_existing: bool = False, *, num_threads: int = 0, return_early: bool = False, share_non_tensor: bool = False) → T¶

将tensordict保存到磁盘。

此函数是 memmap() 的代理。

set(key: NestedKey, value: Any, inplace: bool = False, non_blocking: bool = False)¶

设置一个新的键值对。

参数:

key (str, tuple of str) – 要设置的键的名称。如果是字符串元组，则等同于链式调用 getattr，然后进行最终的 setattr。
value (Any) – 要存储在张量类中的值
inplace (bool, optional) – 如果为 True，则 set 会尝试就地更新值。如果为 False 或键不存在，则值将被简单地写入其目标位置。

返回:

self

state_dict(destination=None, prefix='', keep_vars=False, flatten=False) → dict[str, Any]¶: 返回一个 state_dict 字典，可用于保存和加载张量类的数据。

to_tensordict(*, retain_none: bool | None = None) → TensorDict¶

将张量类转换为常规 TensorDict。

复制所有条目。内存映射和共享内存张量将被转换为常规张量。

参数:: retain_none (bool) – 如果为 True，则 None 值将被写入 tensordict。否则它们将被丢弃。默认值：True。
返回:: 包含与张量类相同值的新的 TensorDict 对象。

unbind(dim: int)¶

返回沿指定维度解绑的索引张量类实例的元组。

结果张量类实例将共享初始张量类实例的存储。

PromptData¶

文档

教程

资源