torch.nn.utils.prune.ln_structured

torch.nn.utils.prune.ln_structured(module, name, amount, n, dim, importance_scores=None) [source]

Удаляет тензор, соответствующий параметру, называемому name в module, удаляя указанную amount (в настоящее время не обрезанных) каналов вдоль указанного dim с наименьшей Ln-нормой. Изменяет модуль на месте (а также возвращает измененный модуль), выполняя:

1. добавление именованного буфера, называемого name+'_mask', соответствующего двоичной маске, применённой к параметру name методом обрезки.
2. замена параметра name его обрезанной версией, а оригинальный (не обрезанный) параметр хранится в новом параметре, названном name+'_orig'.

Parameters:

• module (nn.Module) – модуль, содержащий тензор для обрезки
• name (str) – имя параметра в module , на котором будет действовать обрезка.
• amount (int or float) – количество параметров для обрезки. Если float, должно быть между 0,0 и 1,0 и представлять долю параметров для обрезки. Если int, оно представляет собой абсолютное число параметров для обрезки.
• n (int, float, inf, -inf, 'fro', 'nuc') – Смотрите документацию допустимых значений для аргумента p в torch.norm().
• dim (int) – индекс измерения, вдоль которого мы определяем каналы для обрезки.
• importance_scores (torch.Tensor) – тензор оценок важности (той же формы, что и параметр модуля), используемый для вычисления маски для обрезки. Значения в этом тензоре указывают на важность соответствующих элементов в параметре, подлежащем обрезке. Если не указано или равно None, используется параметр модуля.

Returns:

измененный (т.е. обрезенный) вариант входного модуля

Return type:

модуль (nn.Module)

Примеры

>>> m = prune.ln_structured(
...    nn.Conv2d(5, 3, 2), 'weight', amount=0.3, dim=1, n=float('-inf')
... )