结构化 ¶

class torch.nn.utils.prune.LnStructured(amount, n, dim=-1)[source][source] ¶

根据它们的 L n -范数剪枝张量中的（当前未剪枝）整个通道。

参数:

amount (int 或 float) – 要剪枝的通道数量。如果 float ，应在 0.0 和 1.0 之间，表示要剪枝的参数比例。如果 int ，则表示要剪枝的参数绝对数量。
n (int, float, inf, -inf, 'fro', 'nuc') – 请参阅 torch.norm() 中 p 参数的有效条目文档。
dim (int, 可选) – 定义要剪枝的通道的 dim 指数。默认：-1。

classmethod apply(module, name, amount, n, dim, importance_scores=None)[source][source]¶

动态添加剪枝和张量的重新参数化。

添加了前向预钩子，该钩子使动态剪枝和张量的重新参数化（基于原始张量和剪枝掩码）成为可能。

参数:

module (nn.Module) – 包含要剪枝的张量的模块
名称（str）- 在 module 中参数名称，剪枝将在此参数上执行。
amount (int 或 float) – 要剪枝的参数数量。如果 float ，应在 0.0 和 1.0 之间，表示要剪枝的参数比例。如果 int ，则表示要剪枝的参数绝对数量。
n (int, float, inf, -inf, 'fro', 'nuc') – 请参阅 torch.norm() 中 p 参数的有效条目文档。
dim (int) – 定义剪枝通道的 dim 指数。
importance_scores (torch.Tensor) – 用于计算剪枝掩码的相同形状的重要性得分张量。该张量中的值表示正在剪枝的参数中对应元素的重要性。如果未指定或为 None，则将使用模块参数代替。

apply_mask(module)[source]¶

简单处理被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。

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

计算并返回输入张量 t 的掩码。

从基础掩码 default_mask （如果张量尚未剪枝，则应为全 1 掩码）开始，通过在指定维度上使用最低 L n -范数将通道置零，生成应用于 default_mask 的掩码。

参数:

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）

引发:

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

prune(t, default_mask=None, importance_scores=None)[source]¶

计算并返回输入张量的修剪版本 t .

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] ¶

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，而参数 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！

文档