随机无结构 ¶

class torch.nn.utils.prune.RandomUnstructured(amount)

随机剪枝（当前未剪枝）张量中的单元。

参数:

• 名称（str）- 在 module 中参数名称，剪枝将在此参数上执行。

• 数量（整数或浮点数）- 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 ，表示要剪枝的参数的绝对数量。

classmethod apply(module, name, amount)

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。

• 数量（整数或浮点数）- 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 ，表示要剪枝的参数的绝对数量。

apply_mask(module)

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。

参数:

module (nn.Module) – 包含要剪枝的张量的模块

返回值:

输入张量的修剪版本

返回类型:

pruned_tensor (torch.Tensor)

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

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！