基础剪枝方法 ¶

torch.nn.utils.prune.BasePruningMethod[source][source] ¶

新剪枝技术的抽象基类。

提供一个需要覆盖方法如 compute_mask() 和 apply() 等的自定义框架。

classmethod apply(module, name, *args, importance_scores=None, **kwargs)

动态添加剪枝和张量的重新参数化。

添加了前向预钩子，使得可以在动态剪枝和张量重新参数化方面，根据原始张量和剪枝掩码进行操作。

参数:

• 模块（nn.Module）- 包含要剪枝张量的模块

• name（字符串）- 在 module 中用于剪枝的参数名称。

• args – 传递给 BasePruningMethod 子类的参数。

• importance_scores（torch.Tensor）- 用于计算剪枝掩码的重要性分数张量（与模块参数形状相同）。此张量中的值表示要剪枝的参数中相应元素的重要性。如果未指定或为 None，则使用该参数本身。

• kwargs – 传递给子类的关键字参数

apply_mask(module)

简单处理正在剪枝的参数与生成的掩码之间的乘法。

从模块中获取掩码和原始张量，并返回剪枝后的张量版本。

参数:

模块（nn.Module）- 包含要剪枝张量的模块

返回值:

输入张量的剪枝版本

返回类型:

pruned_tensor (torch.Tensor)

抽象 compute_mask(t, default_mask)[source][source] ¶

计算并返回输入张量 t 的掩码。

从基础 default_mask （如果张量尚未剪枝，则应为全 1 掩码）开始，根据特定的剪枝方法配方生成一个随机掩码，并将其应用于 default_mask 。

参数:

• t (torch.Tensor) – 表示重要性得分的张量

• 剪枝。（参数） –

• 默认掩码（torch.Tensor）- 上次剪枝的基础掩码

• 迭代次数 –

• 是（需要在新掩码后遵守的） –

• t.（应用的。维度与） –

返回值:

应应用于 t 的掩码，与 t 具有相同的维度

返回类型:

掩码（torch.Tensor）

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

计算并返回输入张量 t 的剪枝版本。

根据指定的剪枝规则 compute_mask() 。

参数:

• t (torch.Tensor) – 要剪枝的 tensor（与 default_mask 维度相同）。

• importance_scores (torch.Tensor) – 重要性分数 tensor（与 t 形状相同），用于计算剪枝 t 的掩码。该 tensor 中的值表示正在剪枝的 t 中相应元素的重要性。如果未指定或为 None，则使用 tensor t 替代。

• default_mask (torch.Tensor, 可选) – 前一次剪枝迭代的掩码，如果有的话。在确定剪枝应作用的 tensor 部分时需要考虑。如果为 None，则默认为全一的掩码。

返回值:

张量 t 的修剪版本。

remove(module)[源代码][源代码] ¶

从模块中移除修剪重新参数化。

被修剪的参数 name 将永久修剪，参数 name+'_orig' 将从参数列表中移除。同样，缓冲区 name+'_mask' 也将从缓冲区中移除。

注意

自剪枝操作不可撤销或逆转！