LnStructured

类torch.nn.utils.prune.LnStructured(amount, n, dim=-1)[源代码]

根据张量通道的 Ln-范数来修剪整个通道（目前尚未被修剪）。

参数

amount (int 或 float) – 要修剪的通道数量。如果为float类型，应在0.0到1.0之间，并表示要修剪的参数比例。如果是int类型，则表示要修剪的确切参数数量。
n (int, float, inf, -inf, 'fro', 'nuc') – 有关 p 参数在 torch.norm() 中的有效输入，请参阅文档。
dim (int, 可选) – 用于定义要修剪通道的维度索引。默认值：-1。

classmethodapply(module, name, amount, n, dim, importance_scores=None)[源代码]

添加动态剪枝功能，并对张量进行重新参数化。

添加一个前向预处理钩子，在运行时启用剪枝功能，并根据原始张量和剪枝掩码来重新参数化张量。

参数

module (nn.Module) – 包含待修剪张量的模块
name (str) – 进行剪枝操作的模块中的参数名称。
amount (int 或 float) – 参数的修剪数量。如果为float类型，应在0.0到1.0之间，并表示要修剪的参数比例。如果是int类型，则表示要绝对修剪的具体参数数量。
n (int, float, inf, -inf, 'fro', 'nuc') – 有关 p 参数在 torch.norm() 中的有效输入，请参阅文档。
dim (int) – 表示要裁剪通道的维度的索引。
importance_scores (torch.Tensor) – 重要性分数张量（与要修剪的模块参数形状相同），用于计算剪枝掩码。该张量中的值表示待修剪参数中对应元素的重要性。如果未指定或为 None，则使用模块参数作为替代。

apply_mask(模块)

简单地处理参数和生成的掩码之间的乘法运算。

从模块中获取掩码和原始张量，并返回裁剪后的张量。

compute_mask(t, default_mask)[源代码]

计算并返回输入张量t的掩码。

从基础的 default_mask 开始（如果张量尚未被剪枝，则应为全1的掩码），生成一个新的掩码并叠加在 default_mask 上，通过将指定维度上具有最低 Ln-范数的通道置零来实现。

参数

返回值

与t具有相同维度的掩码，用于t

返回类型

掩码 (torch.Tensor)

异常

IndexError – 如果 self.dim >= len(t.shape)

prune(t, default_mask=None, importance_scores=None)

计算并返回输入张量t的简化版本。

根据compute_mask()中规定的剪枝规则。

参数

t (torch.Tensor) – 需要进行剪枝操作的张量（与default_mask具有相同的维度）。
importance_scores (torch.Tensor) – 重要性分数张量（与 t 形状相同），用于计算要修剪的 t 的掩码。该张量中的值表示正在被修剪的 t 中对应元素的重要性。如果未指定或为 None，则使用 t 本身。
default_mask (torch.Tensor, 可选) – 上一次剪枝迭代的掩码（如果有）。在确定剪枝应作用于张量的哪一部分时，需要考虑这个掩码。如果为 None，则默认使用全1掩码。

返回值

张量t的简化版本。

remove(module)

从模块中删除剪枝重参数化。

名为 name 的剪枝参数将永久保持被剪枝状态，而名为 name+'_orig' 的参数将从参数列表中删除。同样地，名为 name+'_mask' 的缓冲区也将从缓冲区列表中移除。

注意

剪枝操作本身无法撤销或逆转！