torch.autograd.anomaly_mode 源代码

# mypy: 允许未类型化定义
r"""自回归异常模式。"""
导入 警告

导入 火炬


全部 = [检测异常, "设置检测异常"]


类 检测异常:
    r上下文管理器，用于为自动微分引擎启用异常检测。

这做了两件事：

运行启用检测的前向传递将允许反向
传递以打印创建失败的前向操作的跟踪回溯
反向函数。
- 如果 `check_nan` 为 `True`，则任何生成 "nan" 值的反向计算将引发错误。默认 `True`。
此模式仅应用于调试，因为不同的测试...

..警告::
此模式应仅用于调试，因为不同的测试...
将会减慢你的程序执行速度。

示例：
        >>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_ANOMALY)
>>> 导入 torch
        >>> from torch import autograd
        >>> class MyFunc(autograd.Function):
        ...     @staticmethod
        ...     def forward(ctx, inp):
        ...         return inp.clone()
        ...     @staticmethod
        ...     def backward(ctx, gO):
...         # 反向传播过程中发生错误
...         raise RuntimeError("反向传播中发生某些错误")
        ...         return gO.clone()
>>> 定义函数 run_fn(a):
        ...     out = MyFunc.apply(a)
...     返回 out.sum()
        >>> inp = torch.rand(10, 10, requires_grad=True)
        >>> out = run_fn(inp)
        >>> out.backward()
            Traceback (most recent call last):
文件 "", 行 1，在  中
文件 "/your/pytorch/install/torch/_tensor.py"，第 93 行，in backward
                torch.autograd.backward(self, gradient, retain_graph, create_graph)
文件 "/your/pytorch/install/torch/autograd/__init__.py"，第 90 行，in backward
allow_unreachable=True)  # 允许不可达标志
              File "/your/pytorch/install/torch/autograd/function.py", line 76, in apply
                return self._forward_cls.backward(self, *args)
              File "<stdin>", line 8, in backward
运行时错误：反向传播中发生错误
>>> 使用 autograd.detect_anomaly() 检测异常
        ...     inp = torch.rand(10, 10, requires_grad=True)
        ...     out = run_fn(inp)
... out.backward()
错误引起的 forward 调用回溯：
文件 "tmp.py"，第 53 行，
                out = run_fn(inp)
文件 "tmp.py"，第 44 行，在 run_fn 函数中
                out = MyFunc.apply(a)
            Traceback (most recent call last):
文件 ""，第 4 行，在  中
文件 "/your/pytorch/install/torch/_tensor.py"，第 93 行，在 backward 函数中
                torch.autograd.backward(self, gradient, retain_graph, create_graph)
文件 "/your/pytorch/install/torch/autograd/__init__.py"，第 90 行，在 backward() 中
allow_unreachable=True)  # 允许不可达标志
文件 "/your/pytorch/install/torch/autograd/function.py"，第 76 行，在 apply() 中
                return self._forward_cls.backward(self, *args)
              File "<stdin>", line 8, in backward
            RuntimeError: Some error in backward

    """

    def __init__(self, check_nan=True) -> 无:  # 无需注意：D107
        self.上一个 = PyTorch.异常检测是否启用()
        self.检查非零数值 = 检查非零数值
        self.prev_check_nan
前检查非数值 = PyTorch.是否启用异常检测 NaN()
        警告.警告(
            异常检测已启用。
            此模式将增加运行时间
            仅应启用调试。,
            栈级别=2,
        )

    def __进入__(self) -> 无:  # 无需注意：D105
        PyTorch.设置异常启用(True, self.检查 NaN)

    def __退出__(self, *参数: 对象) -> 无:  # noqa: D105
        PyTorch.设置异常启用(self.上一页, self.前置检查 NaN)



[文档]类 set_detect_anomaly:
上下文管理器，用于开启或关闭自动微分引擎的异常检测。

`set_detect_anomaly` 将启用或禁用自动微分异常检测
基于其参数：:attr:`模式`。
它可以作为一个上下文管理器或作为一个函数使用。

查看上面的 ``detect_anomaly`` 了解异常检测行为的详细信息。

Args:
mode (bool): 是否启用异常检测的标志（``True``），
或禁用（``False``）。
检查非数值（bool）：标志是否在反向时引发错误
生成 "nan"

```python
# 假设输入文本为：
input_text = '"""'

# 翻译函数（此处仅为示例，实际翻译功能需要调用真实的翻译 API）
def translate_to_simplified_chinese(text):
    # 这里应该调用真实的翻译 API 进行翻译
    # 由于示例中不使用真实的 API，以下为模拟翻译结果
    return text

# 输出翻译结果
translated_text = translate_to_simplified_chinese(input_text)
print(translated_text)
```

def __init__(self, 模式: bool, 检查非数值: bool = True) -> None:  # noqa: D107
self.prev = torch.is_anomaly_enabled()
self.prev_check_nan = torch.is_anomaly_check_nan_enabled()
torch.set_anomaly_enabled(mode, check_nan)

def __enter__(self) -> None:  # noqa: D105
通过

def __exit__(self, *args: object) -> None:  # noqa: D105
torch.set_anomaly_enabled(self.prev, self.prev_check_nan)