torch.utils.checkpoint

译者: belonHan

注意

checkpointing的实现方法是在向后传播期间重新运行已被checkpint的前向传播段。 所以会导致像RNG这类(模型)的持久化的状态比实际更超前。默认情况下,checkpoint包含了使用RNG状态的逻辑(例如通过dropout),与non-checkpointed传递相比,checkpointed具有更确定的输出。RNG状态的存储逻辑可能会导致一定的性能损失。如果不需要确定的输出,设置全局标志(global flag) torch.utils.checkpoint.preserve_rng_state=False 忽略RNG状态在checkpoint时的存取。

  1. torch.utils.checkpoint.checkpoint(function, *args)

checkpoint模型或模型的一部分

checkpoint通过计算换内存空间来工作。与向后传播中存储整个计算图的所有中间激活不同的是,checkpoint不会保存中间激活部分,而是在反向传递中重新计算它们。它被应用于模型的任何部分。

具体来说,在正向传播中,function将以torch.no_grad()方式运行 ,即不存储中间激活,但保存输入元组和 function的参数。在向后传播中,保存的输入变量以及 function会被取回,并且function在正向传播中被重新计算.现在跟踪中间激活,然后使用这些激活值来计算梯度。

Warning 警告

Checkpointing 在 torch.autograd.grad()中不起作用, 仅作用于 torch.autograd.backward().

警告

如果function在向后执行和前向执行不同,例如,由于某个全局变量,checkpoint版本将会不同,并且无法被检测到。

参数:

  • function - 描述在模型的正向传递或模型的一部分中运行的内容。它也应该知道如何处理作为元组传递的输入。例如,在LSTM中,如果用户通过 ,应正确使用第一个输入作为第二个输入(activation, hidden)functionactivationhidden
  • args – 包含输入的元组function
Returns:输出
  1. torch.utils.checkpoint.checkpoint_sequential(functions, segments, *inputs)

用于checkpoint sequential模型的辅助函数

Sequential模型按顺序执行模块/函数。因此,我们可以将这样的模型划分为不同的段(segment),并对每个段进行checkpoint。除最后一段外的所有段都将以torch.no_grad()方式运行,即,不存储中间活动。将保存每个checkpoint段的输入,以便在向后传递中重新运行该段。

checkpointing工作方式: checkpoint().

警告

Checkpointing无法作用于torch.autograd.grad(), 只作用于torch.autograd.backward().

参数:

  • functions – 按顺序执行的模型, 一个 torch.nn.Sequential对象,或者一个由modules或functions组成的list。
  • segments – 段的数量
  • inputs – 输入,Tensor组成的元组
Returns:按顺序返回每个*inputs的结果

例子

  1. >>> model = nn.Sequential(...)
  2. >>> input_var = checkpoint_sequential(model, chunks, input_var)