torch.func.stack_module_state

torch.func.stack_module_state(models) → params, buffers

準備一個 nn.Module 列表，以便使用 vmap() 進行整合。

給定 M 個相同類的 nn.Modules 列表，返回兩個字典，它們按名稱索引，將所有引數和緩衝區堆疊在一起。堆疊的引數是可最佳化的（即，它們是 autograd 歷史中的新葉節點，與原始引數無關，可以直接傳遞給最佳化器）。

下面是一個如何對非常簡單的模型進行整合的示例：

num_models = 5
batch_size = 64
in_features, out_features = 3, 3
models = [torch.nn.Linear(in_features, out_features) for i in range(num_models)]
data = torch.randn(batch_size, 3)

def wrapper(params, buffers, data):
    return torch.func.functional_call(models[0], (params, buffers), data)

params, buffers = stack_module_state(models)
output = vmap(wrapper, (0, 0, None))(params, buffers, data)

assert output.shape == (num_models, batch_size, out_features)

當存在子模組時，這遵循狀態字典命名約定。

import torch.nn as nn
class Foo(nn.Module):
    def __init__(self, in_features, out_features):
        super().__init__()
        hidden = 4
        self.l1 = nn.Linear(in_features, hidden)
        self.l2 = nn.Linear(hidden, out_features)

    def forward(self, x):
        return self.l2(self.l1(x))

num_models = 5
in_features, out_features = 3, 3
models = [Foo(in_features, out_features) for i in range(num_models)]
params, buffers = stack_module_state(models)
print(list(params.keys()))  # "l1.weight", "l1.bias", "l2.weight", "l2.bias"

警告

所有要堆疊在一起的模組必須相同（引數/緩衝區的值除外）。例如，它們應處於相同的模式（訓練模式 vs 評估模式）。

返回型別

tuple[dict[str, Any], dict[str, Any]]