Python PyTorch freeze用法及代码示例

本文简要介绍python语言中 torch.jit.freeze 的用法。

用法:

torch.jit.freeze(mod, preserved_attrs=None, optimize_numerics=True)

参数：

• mod(ScriptModule) -要冻结的模块

• preserved_attrs(可选的[List[str]]) -除了 forward 方法之外要保留的属性列表。

• modified in preserved methods will also be preserved.(属性) -

• optimize_numerics(bool) -如果 True ，将运行一组不严格的优化通道

• numerics. Full details of optimization can be found at torch.jit.run_frozen_optimizations.(保存) -

返回：

冷冻 ScriptModule 。

冻结 ScriptModule 将克隆它，并尝试将克隆模块的子模块、参数和属性作为常量内联到 TorchScript IR 图表中。默认情况下， forward 将被保留，以及 preserved_attrs 中指定的属性和方法。此外，在保留方法中修改的任何属性都将被保留。

冻结当前仅接受处于评估模式的ScriptModules。

冻结应用通用优化，无论机器如何，都可以加速您的模型。要使用server-specific 设置进一步优化，请在冻结后运行optimize_for_inference。

示例(使用参数冻结一个简单的模块)：

def forward(self, input):
        output = self.weight.mm(input)
        output = self.linear(output)
        return output

scripted_module = torch.jit.script(MyModule(2, 3).eval())
frozen_module = torch.jit.freeze(scripted_module)
# parameters have been removed and inlined into the Graph as constants
assert len(list(frozen_module.named_parameters())) == 0
# See the compiled graph as Python code
print(frozen_module.code)

示例(冻结具有保留属性的模块)

def forward(self, input):
        self.modified_tensor += 1
        return input + self.modified_tensor

scripted_module = torch.jit.script(MyModule2().eval())
frozen_module = torch.jit.freeze(scripted_module, preserved_attrs=["version"])
# we've manually preserved `version`, so it still exists on the frozen module and can be modified
assert frozen_module.version == 1
frozen_module.version = 2
# `modified_tensor` is detected as being mutated in the forward, so freezing preserves
# it to retain model semantics
assert frozen_module(torch.tensor(1)) == torch.tensor(12)
# now that we've run it once, the next result will be incremented by one
assert frozen_module(torch.tensor(1)) == torch.tensor(13)

注意

如果您不确定为什么某个属性没有作为常量内联，您可以在 frozen_module.forward.graph 上运行 dump_alias_db 以查看冻结是否检测到该属性正在被修改。

注意

由于冻结会使权重保持不变并删除模块层次结构，因此 to 和其他 nn.Module 操作设备或 dtype 的方法不再起作用。作为解决方法，您可以通过在 torch.jit.load 中指定 map_location 来重新映射设备，但是特定于设备的逻辑可能已融入模型中。