torch.func.stack_module_state

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

Подготавливает список torch.nn.Modules для объединения с помощью vmap().

Принимая на вход список M nn.Modules одного класса, возвращает два словаря, в которых все их параметры и буферы объединены вместе по именам. Объединённые параметры оптимизируются (т.е. они являются новыми листовыми узлами в истории autograd, не связанными с исходными параметрами, и могут быть напрямую переданы оптимизатору).

Вот пример того, как можно объединить простую модель:

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(model[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)

При наличии подмодулей, он следует соглашениям именования state dict.

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"

Предупреждение

Все модули, которые объединяются, должны быть одинаковыми (кроме значений их параметров/буферов). Например, они должны быть в одном режиме (обучения или оценки).

Возвращаемый тип

Tuple[Dict[str, Any], Dict[str, Any]]