注意
转到末尾 下载完整的示例代码。
模型集成#
创建于: 2023 年 3 月 15 日 | 最后更新: 2025 年 10 月 2 日 | 最后验证: 2024 年 11 月 5 日
本教程演示了如何使用 torch.vmap 实现模型集成的向量化。
什么是模型集成？#
模型集成是将多个模型的预测结果组合在一起。传统上，这是通过分别对每个模型运行一些输入，然后组合预测结果来实现的。但是，如果您运行的是具有相同架构的模型，则可以使用 torch.vmap 将它们组合在一起。vmap 是一个函数变换，可以将函数映射到输入张量的维度上。它的一个用例是消除 for 循环并通过向量化来加速它们。
让我们通过一个简单 MLP 的集成来演示这一点。
注意
本教程需要 PyTorch 2.0.0 或更高版本。
import torch
import torch.nn as nn
import torch.nn.functional as F
torch.manual_seed(0)
# Here's a simple MLP
class SimpleMLP(nn.Module):
def __init__(self):
super(SimpleMLP, self).__init__()
self.fc1 = nn.Linear(784, 128)
self.fc2 = nn.Linear(128, 128)
self.fc3 = nn.Linear(128, 10)
def forward(self, x):
x = x.flatten(1)
x = self.fc1(x)
x = F.relu(x)
x = self.fc2(x)
x = F.relu(x)
x = self.fc3(x)
return x
让我们生成一批虚拟数据，并假设我们正在处理 MNIST 数据集。因此，虚拟图像的大小为 28x28，我们有一个大小为 64 的小批量。此外，假设我们想合并 10 个不同模型的预测结果。
device = torch.accelerator.current_accelerator()
num_models = 10
data = torch.randn(100, 64, 1, 28, 28, device=device)
targets = torch.randint(10, (6400,), device=device)
models = [SimpleMLP().to(device) for _ in range(num_models)]
我们有几种生成预测的选项。也许我们想给每个模型一个不同的随机小批量数据。或者，也许我们想将相同的小批量数据通过每个模型（例如，如果我们正在测试不同模型初始化的效果）。
选项 1：每个模型使用不同的小批量
minibatches = data[:num_models]
predictions_diff_minibatch_loop = [model(minibatch) for model, minibatch in zip(models, minibatches)]
选项 2：相同的小批量
使用 vmap 对集成进行向量化#
让我们使用 vmap 来加速 for 循环。我们必须首先准备好模型以供 vmap 使用。
首先，让我们通过堆叠每个参数来组合模型的状态。例如，model[i].fc1.weight 的形状是 [784, 128]；我们将堆叠 10 个模型的 .fc1.weight 以生成一个形状为 [10, 784, 128] 的大权重。
PyTorch 提供了 torch.func.stack_module_state 便利函数来完成此操作。
from torch.func import stack_module_state
params, buffers = stack_module_state(models)
接下来，我们需要定义一个函数来 vmap。该函数应接收参数、缓冲区和输入，并使用这些参数、缓冲区和输入来运行模型。我们将使用 torch.func.functional_call 来提供帮助。
from torch.func import functional_call
import copy
# Construct a "stateless" version of one of the models. It is "stateless" in
# the sense that the parameters are meta Tensors and do not have storage.
base_model = copy.deepcopy(models[0])
base_model = base_model.to('meta')
def fmodel(params, buffers, x):
return functional_call(base_model, (params, buffers), (x,))
选项 1：使用不同的小批量为每个模型获取预测。
默认情况下，vmap 会将函数映射到传入函数的所有输入的第一个维度上。在使用 stack_module_state 之后，每个 params 和缓冲区都将在前面有一个大小为“num_models”的额外维度，并且小批量有一个大小为“num_models”的维度。
print([p.size(0) for p in params.values()]) # show the leading 'num_models' dimension
assert minibatches.shape == (num_models, 64, 1, 28, 28) # verify minibatch has leading dimension of size 'num_models'
from torch import vmap
predictions1_vmap = vmap(fmodel)(params, buffers, minibatches)
# verify the ``vmap`` predictions match the
assert torch.allclose(predictions1_vmap, torch.stack(predictions_diff_minibatch_loop), atol=1e-3, rtol=1e-5)
[10, 10, 10, 10, 10, 10]
选项 2：使用相同的小批量数据获取预测。
vmap 有一个 in_dims 参数，用于指定要映射的维度。通过使用 None，我们告诉 vmap 我们希望将相同的小批量应用于所有 10 个模型。
predictions2_vmap = vmap(fmodel, in_dims=(0, 0, None))(params, buffers, minibatch)
assert torch.allclose(predictions2_vmap, torch.stack(predictions2), atol=1e-3, rtol=1e-5)
快速提示：vmap 可转换的函数类型存在一些限制。最适合转换的函数是纯函数：一个输出仅由无副作用（例如突变）的输入决定的函数。vmap 无法处理任意 Python 数据结构的突变，但可以处理许多原地 PyTorch 操作。
性能#
对性能数据感到好奇吗？以下是数字显示。
from torch.utils.benchmark import Timer
without_vmap = Timer(
stmt="[model(minibatch) for model, minibatch in zip(models, minibatches)]",
globals=globals())
with_vmap = Timer(
stmt="vmap(fmodel)(params, buffers, minibatches)",
globals=globals())
print(f'Predictions without vmap {without_vmap.timeit(100)}')
print(f'Predictions with vmap {with_vmap.timeit(100)}')
Predictions without vmap <torch.utils.benchmark.utils.common.Measurement object at 0x7f4a83d9c3a0>
[model(minibatch) for model, minibatch in zip(models, minibatches)]
1.52 ms
1 measurement, 100 runs , 1 thread
Predictions with vmap <torch.utils.benchmark.utils.common.Measurement object at 0x7f4a83d9f850>
vmap(fmodel)(params, buffers, minibatches)
523.24 us
1 measurement, 100 runs , 1 thread
使用 vmap 可以大幅提高速度！
总的来说，使用 vmap 进行向量化应该比在 for 循环中运行函数要快，并且与手动批处理相当。但也有一些例外，例如如果我们尚未为特定操作实现 vmap 规则，或者底层内核未针对旧版硬件（GPU）进行优化。如果您遇到任何这些情况，请通过在 GitHub 上提交 issue 来告知我们。
脚本总运行时间： (0 分钟 0.782 秒)
