PyTorch 损失函数

class darts.utils.losses.MAELoss

基类：Module

MAE 损失定义为：https://en.wikipedia.org/wiki/Mean_absolute_error。

给定一个实际值的时间序列 \(y_t\) 和一个预测值的时间序列 \(\hat{y}_t\) ，两者长度均为 \(T\) ，计算如下

\[\frac{1}{T} \sum_{t=1}^{T}{\left| y_t - \hat{y}_t \right|}.\]

注意，这与 torch.nn.L1Loss 相同。

方法

add_module(name, module)	将一个子模块添加到当前模块。
apply(fn)	递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。
bfloat16()	将所有浮点参数和缓冲区转换为 bfloat16 数据类型。
buffers([recurse])	返回一个遍历模块缓冲区的迭代器。
children()	返回一个遍历直接子模块的迭代器。
compile(*args, **kwargs)	使用 torch.compile() 编译此模块的 forward。
cpu()	将所有模型参数和缓冲区移动到CPU。
cuda([device])	将所有模型参数和缓冲区移动到GPU。
double()	将所有浮点型参数和缓冲区转换为 double 数据类型。
eval()	将模块设置为评估模式。
extra_repr()	设置模块的额外表示。
float()	将所有浮点型参数和缓冲区转换为 float 数据类型。
forward(inpt, tgt)	定义每次调用时执行的计算。
get_buffer(target)	如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。
get_extra_state()	返回要包含在模块的 state_dict 中的任何额外状态。
get_parameter(target)	如果存在，则返回由 target 给出的参数，否则抛出错误。
get_submodule(target)	如果存在，返回由 target 指定的子模块，否则抛出错误。
half()	将所有浮点参数和缓冲区转换为 half 数据类型。
ipu([device])	将所有模型参数和缓冲区移动到 IPU。
load_state_dict(state_dict[, strict, assign])	将参数和缓冲区从 state_dict 复制到此模块及其后代中。
modules()	返回网络中所有模块的迭代器。
named_buffers([prefix, recurse, ...])	返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。
named_children()	返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。
named_modules([memo, prefix, remove_duplicate])	返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。
named_parameters([prefix, recurse, ...])	返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。
parameters([recurse])	返回一个遍历模块参数的迭代器。
register_backward_hook(hook)	在模块上注册一个反向钩子。
register_buffer(name, tensor[, persistent])	向模块添加一个缓冲区。
register_forward_hook(hook, *[, prepend, ...])	在模块上注册一个前向钩子。
register_forward_pre_hook(hook, *[, ...])	在模块上注册一个前向预钩子。
register_full_backward_hook(hook[, prepend])	在模块上注册一个反向钩子。
register_full_backward_pre_hook(hook[, prepend])	在模块上注册一个反向预钩子。
register_load_state_dict_post_hook(hook)	注册一个在模块的 load_state_dict 调用后运行的后置钩子。
register_module(name, module)	别名 add_module()。
register_parameter(name, param)	向模块添加一个参数。
register_state_dict_pre_hook(hook)	为 state_dict() 方法注册一个预钩子。
requires_grad_([requires_grad])	更改是否应在此模块的参数上记录自动梯度操作。
set_extra_state(state)	设置包含在加载的 state_dict 中的额外状态。
share_memory()	参见 torch.Tensor.share_memory_()。
state_dict(*args[, destination, prefix, ...])	返回一个包含模块整体状态引用的字典。
to(*args, **kwargs)	移动和/或转换参数和缓冲区。
to_empty(*, device[, recurse])	将参数和缓冲区移动到指定设备，而不复制存储。
train([mode])	设置模块为训练模式。
type(dst_type)	将所有参数和缓冲区转换为 目标类型。
xpu([device])	将所有模型参数和缓冲区移动到 XPU。
zero_grad([set_to_none])	重置所有模型参数的梯度。

__call__

T_destination

TypeVar(‘T_destination’, bound=Dict[str, Any]) 的别名

add_module(name, module)

将一个子模块添加到当前模块。

可以通过给定的名称作为属性访问该模块。

参数

• name (str) – 子模块的名称。可以使用给定的名称从此模块访问子模块。

• module (Module) – 要添加到模块的子模块。

返回类型

None

apply(fn)

递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。

典型用途包括初始化模型的参数（另见 nn-init-doc）。

参数

fn (Module -> None) – 应用于每个子模块的函数

返回

自身

返回类型

Module

示例:

>>> @torch.no_grad()
>>> def init_weights(m):
>>>     print(m)
>>>     if type(m) == nn.Linear:
>>>         m.weight.fill_(1.0)
>>>         print(m.weight)
>>> net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
>>> net.apply(init_weights)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)

bfloat16()

将所有浮点参数和缓冲区转换为 bfloat16 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

buffers(recurse=True)

返回一个遍历模块缓冲区的迭代器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。

生成器

torch.Tensor – 模块缓冲区

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for buf in model.buffers():
>>>     print(type(buf), buf.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Tensor]

call_super_init: bool = False

children()

返回一个遍历直接子模块的迭代器。

生成器

模块 – 一个子模块

返回类型

Iterator[Module]

compile(*args, **kwargs)

使用 torch.compile() 编译此模块的 forward。

此模块的 __call__ 方法是编译的，所有参数都按原样传递给 torch.compile()。

有关此函数的参数详情，请参阅 torch.compile()。

cpu()

将所有模型参数和缓冲区移动到CPU。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

cuda(device=None)

将所有模型参数和缓冲区移动到GPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在GPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

double()

将所有浮点型参数和缓冲区转换为 double 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

dump_patches: bool = False

eval()

将模块设置为评估模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

这等同于 self.train(False)。

请参阅 locally-disable-grad-doc 以比较 .eval() 和几个可能与之混淆的类似机制。

返回

自身

返回类型

Module

extra_repr()

设置模块的额外表示。

要打印自定义的额外信息，你应该在你的模块中重新实现这个方法。单行和多行字符串都是可接受的。

返回类型

str

float()

将所有浮点型参数和缓冲区转换为 float 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

forward(inpt, tgt)

定义每次调用时执行的计算。

应由所有子类重写。

备注

尽管前向传递的配方需要在这个函数内定义，但应该调用 Module 实例而不是这个函数，因为前者负责运行注册的钩子，而后者则默默地忽略它们。

get_buffer(target)

如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的缓冲区的完全限定字符串名称。（有关如何指定完全限定字符串，请参见 get_submodule。）

返回

target 引用的缓冲区

返回类型

torch.Tensor

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是缓冲区的东西

get_extra_state()

返回要包含在模块的 state_dict 中的任何额外状态。

如果你需要存储额外的状态，请在你的模块中实现这个方法以及相应的 set_extra_state()。当构建模块的 state_dict() 时，会调用此函数。

请注意，额外的状态应该是可pickle的，以确保state_dict的序列化工作。我们仅对序列化张量提供向后兼容性保证；其他对象如果在其序列化的pickle形式发生变化时，可能会破坏向后兼容性。

返回

要在模块的 state_dict 中存储的任何额外状态

返回类型

object

get_parameter(target)

如果存在，则返回由 target 给出的参数，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的参数的全限定字符串名称。（关于如何指定全限定字符串，请参见 get_submodule。）

返回

target 引用的参数

返回类型

torch.nn.Parameter

引发

AttributeError – 如果目标字符串引用了一个无效路径或解析为不是 nn.Parameter 的内容

get_submodule(target)

如果存在，返回由 target 指定的子模块，否则抛出错误。

例如，假设你有一个 nn.Module A ，它看起来像这样：

A(
    (net_b): Module(
        (net_c): Module(
            (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2))
        )
        (linear): Linear(in_features=100, out_features=200, bias=True)
    )
)

(该图展示了一个 nn.Module A。A 有一个嵌套的子模块 net_b，它本身有两个子模块 net_c 和 linear。net_c 然后有一个子模块 conv。)

要检查我们是否拥有 linear 子模块，我们会调用 get_submodule("net_b.linear")。要检查我们是否拥有 conv 子模块，我们会调用 get_submodule("net_b.net_c.conv")。

get_submodule 的运行时间受限于 target 中的模块嵌套程度。对 named_modules 的查询可以实现相同的结果，但它是 O(N) 的传递模块数量。因此，对于检查某个子模块是否存在的简单检查，应始终使用 get_submodule。

参数

target (str) – 要查找的子模块的完全限定字符串名称。（请参见上面的示例，了解如何指定完全限定的字符串。）

返回

由 target 引用的子模块

返回类型

torch.nn.Module

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是 nn.Module 的内容

half()

将所有浮点参数和缓冲区转换为 half 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

ipu(device=None)

将所有模型参数和缓冲区移动到 IPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在IPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

load_state_dict(state_dict, strict=True, assign=False)

将参数和缓冲区从 state_dict 复制到此模块及其后代中。

如果 strict 是 True，那么 state_dict 的键必须与该模块的 state_dict() 函数返回的键完全匹配。

警告

如果 assign 是 True，优化器必须在调用 load_state_dict 之后创建，除非 get_swap_module_params_on_conversion() 是 True。

参数

• state_dict (dict) – 包含参数和持久缓冲区的字典。

• strict (bool, optional) – 是否严格要求 state_dict 中的键与该模块的 state_dict() 函数返回的键匹配。默认值：True

• assign (bool, optional) – 当 False 时，当前模块中张量的属性保持不变，而当 True 时，状态字典中张量的属性保持不变。唯一的例外是 Parameter 的 requires_grad 字段，其值从模块中保留。默认值：False

返回

• missing_keys 是一个包含任何预期键的 str 列表

  此模块中存在但未在提供的 state_dict 中出现的。

• unexpected_keys 是一个包含未预料到的键的 str 列表。

  此模块预期但未在提供的 state_dict 中出现。

返回类型

带有 missing_keys 和 unexpected_keys 字段的 NamedTuple

备注

如果一个参数或缓冲区被注册为 None ，并且其对应的键存在于 state_dict 中，load_state_dict() 将引发一个 RuntimeError 。

modules()

返回网络中所有模块的迭代器。

生成器

模块 – 网络中的一个模块

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)

0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)

返回类型

Iterator[Module]

named_buffers(prefix='', recurse=True, remove_duplicate=True)

返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。

参数

• prefix (str) – 要添加到所有缓冲区名称的前缀。

• recurse (bool, optional) – 如果为 True，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。默认为 True。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的缓冲区。默认为 True。

生成器

(str, torch.Tensor) – 包含名称和缓冲区的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, buf in self.named_buffers():
>>>     if name in ['running_var']:
>>>         print(buf.size())

返回类型

Iterator[Tuple[str, Tensor]]

named_children()

返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。

生成器

(str, Module) – 包含名称和子模块的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, module in model.named_children():
>>>     if name in ['conv4', 'conv5']:
>>>         print(module)

返回类型

Iterator[Tuple[str, Module]]

named_modules(memo=None, prefix='', remove_duplicate=True)

返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。

参数

• memo (Optional[Set[Module], None]) – 用于存储已添加到结果中的模块集合的备忘录

• prefix (str) – 一个将添加到模块名称的前缀

• remove_duplicate (bool) – 是否在结果中移除重复的模块实例

生成器

(str, Module) – 名称和模块的元组

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.named_modules()):
...     print(idx, '->', m)

0 -> ('', Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
))
1 -> ('0', Linear(in_features=2, out_features=2, bias=True))

named_parameters(prefix='', recurse=True, remove_duplicate=True)

返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。

参数

• prefix (str) – 要添加到所有参数名称前的前缀。

• recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的参数。默认为 True。

生成器

(str, Parameter) – 包含名称和参数的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, param in self.named_parameters():
>>>     if name in ['bias']:
>>>         print(param.size())

返回类型

Iterator[Tuple[str, Parameter]]

parameters(recurse=True)

返回一个遍历模块参数的迭代器。

这通常传递给一个优化器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

生成器

参数 – 模块参数

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for param in model.parameters():
>>>     print(type(param), param.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Parameter]

register_backward_hook(hook)

在模块上注册一个反向钩子。

此函数已被弃用，取而代之的是 register_full_backward_hook()，并且此函数的行为将在未来版本中发生变化。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_buffer(name, tensor, persistent=True)

向模块添加一个缓冲区。

这通常用于注册一个不应被视为模型参数的缓冲区。例如，BatchNorm 的 running_mean 不是参数，而是模块状态的一部分。缓冲区默认是持久的，并将与参数一起保存。可以通过将 persistent 设置为 False 来更改此行为。持久缓冲区和非持久缓冲区之间的唯一区别是后者不会成为此模块的 state_dict 的一部分。

缓冲区可以通过给定的名称作为属性来访问。

参数

• name (str) – 缓冲区的名称。可以使用给定的名称从此模块访问缓冲区。

• tensor (Tensor or None) – 要注册的缓冲区。如果为 None ，则运行在缓冲区上的操作，如 cuda ，将被忽略。如果为 None ，该缓冲区将 不 包含在模块的 state_dict 中。

• persistent (bool) – 缓冲区是否是此模块的 state_dict 的一部分。

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> self.register_buffer('running_mean', torch.zeros(num_features))

返回类型

None

register_forward_hook(hook, *, prepend=False, with_kwargs=False, always_call=False)

在模块上注册一个前向钩子。

钩子将在每次 forward() 计算输出后被调用。

如果 with_kwargs 为 False 或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输出。它可以就地修改输入，但这不会影响前向传播，因为这是在调用 forward() 之后调用的。钩子应具有以下签名:

hook(module, args, output) -> None or modified output

如果 with_kwargs 是 True，前向钩子将会传递给前向函数的 kwargs，并期望返回可能被修改的输出。钩子应具有以下签名:

hook(module, args, kwargs, output) -> None or modified output

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果 True，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之后触发。请注意，使用 register_module_forward_hook() 注册的全局 forward 钩子将在所有通过此方法注册的钩子之前触发。默认值：False

• with_kwargs (bool) – 如果 True，hook 将被传递给 forward 函数的 kwargs。默认值：False

• always_call (bool) – 如果 True ，无论在调用模块时是否引发异常，都将运行 hook 。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_forward_pre_hook(hook, *, prepend=False, with_kwargs=False)

在模块上注册一个前向预钩子。

钩子将在每次调用 forward() 之前被调用。

如果 with_kwargs 为假或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输入。用户可以在钩子中返回一个元组或单个修改后的值。如果返回单个值（除非该值已经是元组），我们将把该值包装成一个元组。钩子应具有以下签名:

hook(module, args) -> None or modified input

如果 with_kwargs 为真，前向预钩子将传递给前向函数的 kwargs。如果钩子修改了输入，则应返回 args 和 kwargs。钩子应具有以下签名:

hook(module, args, kwargs) -> None or a tuple of modified input and kwargs

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之后触发。请注意，使用 register_module_forward_pre_hook() 注册的全局 forward_pre 钩子将在通过此方法注册的所有钩子之前触发。默认值：False

• with_kwargs (bool) – 如果为真，hook 将被传递给 forward 函数的 kwargs。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_hook(hook, prepend=False)

在模块上注册一个反向钩子。

每次计算模块的梯度时，钩子都会被调用，即只有当计算模块输出的梯度时，钩子才会执行。钩子应具有以下签名:

hook(module, grad_input, grad_output) -> tuple(Tensor) or None

The grad_input 和 grad_output 是包含相对于输入和输出的梯度的元组。钩子不应修改其参数，但可以选择返回一个新的相对于输入的梯度，该梯度将用于替代 grad_input 在后续计算中。grad_input 将仅对应于作为位置参数给出的输入，所有 kwarg 参数都将被忽略。grad_input 和 grad_output 中的条目将为 None 用于所有非 Tensor 参数。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入或输出，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之后触发。请注意，通过 register_module_full_backward_hook() 注册的全局 backward 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_pre_hook(hook, prepend=False)

在模块上注册一个反向预钩子。

每次计算模块的梯度时，都会调用该钩子。钩子应具有以下签名:

hook(module, grad_output) -> tuple[Tensor] or None

The grad_output 是一个元组。钩子不应修改其参数，但它可以选择返回一个新的相对于输出的梯度，该梯度将用于替代 grad_output 在后续计算中。grad_output 中的条目对于所有非 Tensor 参数将为 None。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之后触发。请注意，通过 register_module_full_backward_pre_hook() 注册的全局 backward_pre 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_load_state_dict_post_hook(hook)

注册一个在模块的 load_state_dict 调用后运行的后置钩子。

它应该有以下签名:

hook(module, incompatible_keys) -> None

module 参数是当前注册此钩子的模块，而 incompatible_keys 参数是一个由属性 missing_keys 和 unexpected_keys 组成的 NamedTuple。missing_keys 是一个包含缺失键的 str 的 list，而 unexpected_keys 是一个包含意外键的 str 的 list。

如果需要，可以就地修改给定的 incompatible_keys。

请注意，当使用 strict=True 调用 load_state_dict() 时执行的检查会受到钩子对 missing_keys 或 unexpected_keys 所做修改的影响，这是预期的。对任一组键的添加将导致在 strict=True 时抛出错误，而清除掉缺失和意外的键将避免错误。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_module(name, module)

别名 add_module()。

返回类型

None

register_parameter(name, param)

向模块添加一个参数。

该参数可以通过给定的名称作为属性访问。

参数

• name (str) – 参数的名称。可以使用给定的名称从此模块访问该参数。

• param (Parameter or None) – 要添加到模块的参数。如果为 None ，则运行在参数上的操作，例如 cuda ，将被忽略。如果为 None ，该参数将 不 包含在模块的 state_dict 中。

返回类型

None

register_state_dict_pre_hook(hook)

为 state_dict() 方法注册一个预钩子。

这些钩子将在调用 self 上的 state_dict 之前，使用参数 self、prefix 和 keep_vars 进行调用。注册的钩子可以用于在调用 state_dict 之前执行预处理。

requires_grad_(requires_grad=True)

更改是否应在此模块的参数上记录自动梯度操作。

此方法就地设置参数的 requires_grad 属性。

这种方法有助于冻结模块的一部分以进行微调或单独训练模型的一部分（例如，GAN训练）。

请参阅 locally-disable-grad-doc 以比较 .requires_grad_() 和几个可能与之混淆的类似机制。

参数

requires_grad (bool) – 是否应在此模块的参数上记录自动求导操作。默认值：True。

返回

自身

返回类型

Module

set_extra_state(state)

设置包含在加载的 state_dict 中的额外状态。

此函数从 load_state_dict() 调用，以处理在 state_dict 中找到的任何额外状态。如果你的模块需要在 state_dict 中存储额外状态，请实现此函数以及相应的 get_extra_state()。

参数

state (dict) – 来自 state_dict 的额外状态

返回类型

None

share_memory()

参见 torch.Tensor.share_memory_()。

返回类型

~T

state_dict(*args, destination=None, prefix='', keep_vars=False)

返回一个包含模块整体状态引用的字典。

参数和持久缓冲区（例如运行平均值）都包含在内。键是对应的参数和缓冲区名称。设置为 None 的参数和缓冲区不包含在内。

备注

返回的对象是一个浅拷贝。它包含对模块参数和缓冲区的引用。

警告

目前，state_dict() 也按顺序接受 destination、prefix 和 keep_vars 的位置参数。然而，这正在被弃用，未来的版本将强制使用关键字参数。

警告

请避免使用参数 destination，因为它不是为最终用户设计的。

参数

• destination (dict, optional) – 如果提供了状态，模块的状态将被更新到字典中，并返回相同的对象。否则，将创建并返回一个 OrderedDict。默认值：None。

• prefix (str, optional) – 在 state_dict 中组合键时添加到参数和缓冲区名称的前缀。默认值：''。

• keep_vars (bool, optional) – 默认情况下，状态字典中返回的 Tensor 是从自动求导中分离的。如果设置为 True，则不会执行分离操作。默认值：False。

返回

包含模块整个状态的字典

返回类型

dict

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> module.state_dict().keys()
['bias', 'weight']

to(*args, **kwargs)

移动和/或转换参数和缓冲区。

这可以被调用为

to(device=None, dtype=None, non_blocking=False)

to(dtype, non_blocking=False)

to(tensor, non_blocking=False)

to(memory_format=torch.channels_last)

它的签名类似于 torch.Tensor.to() ，但只接受浮点型或复数型的 dtype 。此外，此方法只会将浮点型或复数型的参数和缓冲区转换为 dtype （如果给出）。整型的参数和缓冲区将被移动到 device ，如果给出，但数据类型保持不变。当 non_blocking 被设置时，它会尝试尽可能地异步转换/移动，例如，将具有固定内存的CPU张量移动到CUDA设备。

请参见以下示例。

备注

此方法在原地修改模块。

参数

• device (torch.device) – 本模块中参数和缓冲区的所需设备

• dtype (torch.dtype) – 此模块中参数和缓冲区的所需浮点数或复数数据类型

• tensor (torch.Tensor) – 张量的dtype和设备是此模块中所有参数和缓冲区的期望dtype和设备

• memory_format (torch.memory_format) – 此模块中4D参数和缓冲区的所需内存格式（仅关键字参数）

返回

自身

返回类型

Module

示例:

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

to_empty(*, device, recurse=True)

将参数和缓冲区移动到指定设备，而不复制存储。

参数

• device (torch.device) – 此模块中参数和缓冲区的所需设备。

• recurse (bool) – 子模块的参数和缓冲区是否应递归地移动到指定设备。

返回

自身

返回类型

Module

train(mode=True)

设置模块为训练模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

参数

mode (bool) – 是否设置训练模式（True）或评估模式（False）。默认值：True。

返回

自身

返回类型

Module

training: bool

type(dst_type)

将所有参数和缓冲区转换为 目标类型。

备注

此方法在原地修改模块。

参数

dst_type (type or string) – 所需类型

返回

自身

返回类型

Module

xpu(device=None)

将所有模型参数和缓冲区移动到 XPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在 XPU 上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

zero_grad(set_to_none=True)

重置所有模型参数的梯度。

更多上下文请参见 torch.optim.Optimizer 下的类似函数。

参数

set_to_none (bool) – 而不是设置为零，将梯度设置为 None。详情请参阅 torch.optim.Optimizer.zero_grad()。

返回类型

None

class darts.utils.losses.MapeLoss

基类：Module

MAPE 损失定义见：https://en.wikipedia.org/wiki/Mean_absolute_percentage_error。

给定一个实际值的时间序列 \(y_t\) 和一个预测值的时间序列 \(\hat{y}_t\) ，两者长度均为 \(T\) ，计算如下

\[\begin{split}$\frac{1}{T}$ \\ \sum_{t=1}^{T}{\frac{\left| y_t - \hat{y}_t \right|}{y_t}}.\end{split}\]

除法结果为 NaN 或 Inf 的将被替换为 0。请注意，我们通常在计算 MAPE 值时丢弃 100 的系数，因为它只影响梯度的大小，而不影响其方向。

方法

add_module(name, module)	将一个子模块添加到当前模块。
apply(fn)	递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。
bfloat16()	将所有浮点参数和缓冲区转换为 bfloat16 数据类型。
buffers([recurse])	返回一个遍历模块缓冲区的迭代器。
children()	返回一个遍历直接子模块的迭代器。
compile(*args, **kwargs)	使用 torch.compile() 编译此模块的 forward。
cpu()	将所有模型参数和缓冲区移动到CPU。
cuda([device])	将所有模型参数和缓冲区移动到GPU。
double()	将所有浮点型参数和缓冲区转换为 double 数据类型。
eval()	将模块设置为评估模式。
extra_repr()	设置模块的额外表示。
float()	将所有浮点型参数和缓冲区转换为 float 数据类型。
forward(inpt, tgt)	定义每次调用时执行的计算。
get_buffer(target)	如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。
get_extra_state()	返回要包含在模块的 state_dict 中的任何额外状态。
get_parameter(target)	如果存在，则返回由 target 给出的参数，否则抛出错误。
get_submodule(target)	如果存在，返回由 target 指定的子模块，否则抛出错误。
half()	将所有浮点参数和缓冲区转换为 half 数据类型。
ipu([device])	将所有模型参数和缓冲区移动到 IPU。
load_state_dict(state_dict[, strict, assign])	将参数和缓冲区从 state_dict 复制到此模块及其后代中。
modules()	返回网络中所有模块的迭代器。
named_buffers([prefix, recurse, ...])	返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。
named_children()	返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。
named_modules([memo, prefix, remove_duplicate])	返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。
named_parameters([prefix, recurse, ...])	返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。
parameters([recurse])	返回一个遍历模块参数的迭代器。
register_backward_hook(hook)	在模块上注册一个反向钩子。
register_buffer(name, tensor[, persistent])	向模块添加一个缓冲区。
register_forward_hook(hook, *[, prepend, ...])	在模块上注册一个前向钩子。
register_forward_pre_hook(hook, *[, ...])	在模块上注册一个前向预钩子。
register_full_backward_hook(hook[, prepend])	在模块上注册一个反向钩子。
register_full_backward_pre_hook(hook[, prepend])	在模块上注册一个反向预钩子。
register_load_state_dict_post_hook(hook)	注册一个在模块的 load_state_dict 调用后运行的后置钩子。
register_module(name, module)	别名 add_module()。
register_parameter(name, param)	向模块添加一个参数。
register_state_dict_pre_hook(hook)	为 state_dict() 方法注册一个预钩子。
requires_grad_([requires_grad])	更改是否应在此模块的参数上记录自动梯度操作。
set_extra_state(state)	设置包含在加载的 state_dict 中的额外状态。
share_memory()	参见 torch.Tensor.share_memory_()。
state_dict(*args[, destination, prefix, ...])	返回一个包含模块整体状态引用的字典。
to(*args, **kwargs)	移动和/或转换参数和缓冲区。
to_empty(*, device[, recurse])	将参数和缓冲区移动到指定设备，而不复制存储。
train([mode])	设置模块为训练模式。
type(dst_type)	将所有参数和缓冲区转换为 目标类型。
xpu([device])	将所有模型参数和缓冲区移动到 XPU。
zero_grad([set_to_none])	重置所有模型参数的梯度。

__call__

T_destination

TypeVar(‘T_destination’, bound=Dict[str, Any]) 的别名

add_module(name, module)

将一个子模块添加到当前模块。

可以通过给定的名称作为属性访问该模块。

参数

• name (str) – 子模块的名称。可以使用给定的名称从此模块访问子模块。

• module (Module) – 要添加到模块的子模块。

返回类型

None

apply(fn)

递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。

典型用途包括初始化模型的参数（另见 nn-init-doc）。

参数

fn (Module -> None) – 应用于每个子模块的函数

返回

自身

返回类型

Module

示例:

>>> @torch.no_grad()
>>> def init_weights(m):
>>>     print(m)
>>>     if type(m) == nn.Linear:
>>>         m.weight.fill_(1.0)
>>>         print(m.weight)
>>> net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
>>> net.apply(init_weights)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)

bfloat16()

将所有浮点参数和缓冲区转换为 bfloat16 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

buffers(recurse=True)

返回一个遍历模块缓冲区的迭代器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。

生成器

torch.Tensor – 模块缓冲区

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for buf in model.buffers():
>>>     print(type(buf), buf.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Tensor]

call_super_init: bool = False

children()

返回一个遍历直接子模块的迭代器。

生成器

模块 – 一个子模块

返回类型

Iterator[Module]

compile(*args, **kwargs)

使用 torch.compile() 编译此模块的 forward。

此模块的 __call__ 方法是编译的，所有参数都按原样传递给 torch.compile()。

有关此函数的参数详情，请参阅 torch.compile()。

cpu()

将所有模型参数和缓冲区移动到CPU。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

cuda(device=None)

将所有模型参数和缓冲区移动到GPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在GPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

double()

将所有浮点型参数和缓冲区转换为 double 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

dump_patches: bool = False

eval()

将模块设置为评估模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

这等同于 self.train(False)。

请参阅 locally-disable-grad-doc 以比较 .eval() 和几个可能与之混淆的类似机制。

返回

自身

返回类型

Module

extra_repr()

设置模块的额外表示。

要打印自定义的额外信息，你应该在你的模块中重新实现这个方法。单行和多行字符串都是可接受的。

返回类型

str

float()

将所有浮点型参数和缓冲区转换为 float 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

forward(inpt, tgt)

定义每次调用时执行的计算。

应由所有子类重写。

备注

尽管前向传递的配方需要在这个函数内定义，但应该调用 Module 实例而不是这个函数，因为前者负责运行注册的钩子，而后者则默默地忽略它们。

get_buffer(target)

如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的缓冲区的完全限定字符串名称。（有关如何指定完全限定字符串，请参见 get_submodule。）

返回

target 引用的缓冲区

返回类型

torch.Tensor

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是缓冲区的东西

get_extra_state()

返回要包含在模块的 state_dict 中的任何额外状态。

如果你需要存储额外的状态，请在你的模块中实现这个方法以及相应的 set_extra_state()。当构建模块的 state_dict() 时，会调用此函数。

请注意，额外的状态应该是可pickle的，以确保state_dict的序列化工作。我们仅对序列化张量提供向后兼容性保证；其他对象如果在其序列化的pickle形式发生变化时，可能会破坏向后兼容性。

返回

要在模块的 state_dict 中存储的任何额外状态

返回类型

object

get_parameter(target)

如果存在，则返回由 target 给出的参数，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的参数的全限定字符串名称。（关于如何指定全限定字符串，请参见 get_submodule。）

返回

target 引用的参数

返回类型

torch.nn.Parameter

引发

AttributeError – 如果目标字符串引用了一个无效路径或解析为不是 nn.Parameter 的内容

get_submodule(target)

如果存在，返回由 target 指定的子模块，否则抛出错误。

例如，假设你有一个 nn.Module A ，它看起来像这样：

A(
    (net_b): Module(
        (net_c): Module(
            (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2))
        )
        (linear): Linear(in_features=100, out_features=200, bias=True)
    )
)

(该图展示了一个 nn.Module A。A 有一个嵌套的子模块 net_b，它本身有两个子模块 net_c 和 linear。net_c 然后有一个子模块 conv。)

要检查我们是否拥有 linear 子模块，我们会调用 get_submodule("net_b.linear")。要检查我们是否拥有 conv 子模块，我们会调用 get_submodule("net_b.net_c.conv")。

get_submodule 的运行时间受限于 target 中的模块嵌套程度。对 named_modules 的查询可以实现相同的结果，但它是 O(N) 的传递模块数量。因此，对于检查某个子模块是否存在的简单检查，应始终使用 get_submodule。

参数

target (str) – 要查找的子模块的完全限定字符串名称。（请参见上面的示例，了解如何指定完全限定的字符串。）

返回

由 target 引用的子模块

返回类型

torch.nn.Module

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是 nn.Module 的内容

half()

将所有浮点参数和缓冲区转换为 half 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

ipu(device=None)

将所有模型参数和缓冲区移动到 IPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在IPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

load_state_dict(state_dict, strict=True, assign=False)

将参数和缓冲区从 state_dict 复制到此模块及其后代中。

如果 strict 是 True，那么 state_dict 的键必须与该模块的 state_dict() 函数返回的键完全匹配。

警告

如果 assign 是 True，优化器必须在调用 load_state_dict 之后创建，除非 get_swap_module_params_on_conversion() 是 True。

参数

• state_dict (dict) – 包含参数和持久缓冲区的字典。

• strict (bool, optional) – 是否严格要求 state_dict 中的键与该模块的 state_dict() 函数返回的键匹配。默认值：True

• assign (bool, optional) – 当 False 时，当前模块中张量的属性保持不变，而当 True 时，状态字典中张量的属性保持不变。唯一的例外是 Parameter 的 requires_grad 字段，其值从模块中保留。默认值：False

返回

• missing_keys 是一个包含任何预期键的 str 列表

  此模块中存在但未在提供的 state_dict 中出现的。

• unexpected_keys 是一个包含未预料到的键的 str 列表。

  此模块预期但未在提供的 state_dict 中出现。

返回类型

带有 missing_keys 和 unexpected_keys 字段的 NamedTuple

备注

如果一个参数或缓冲区被注册为 None ，并且其对应的键存在于 state_dict 中，load_state_dict() 将引发一个 RuntimeError 。

modules()

返回网络中所有模块的迭代器。

生成器

模块 – 网络中的一个模块

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)

0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)

返回类型

Iterator[Module]

named_buffers(prefix='', recurse=True, remove_duplicate=True)

返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。

参数

• prefix (str) – 要添加到所有缓冲区名称的前缀。

• recurse (bool, optional) – 如果为 True，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。默认为 True。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的缓冲区。默认为 True。

生成器

(str, torch.Tensor) – 包含名称和缓冲区的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, buf in self.named_buffers():
>>>     if name in ['running_var']:
>>>         print(buf.size())

返回类型

Iterator[Tuple[str, Tensor]]

named_children()

返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。

生成器

(str, Module) – 包含名称和子模块的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, module in model.named_children():
>>>     if name in ['conv4', 'conv5']:
>>>         print(module)

返回类型

Iterator[Tuple[str, Module]]

named_modules(memo=None, prefix='', remove_duplicate=True)

返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。

参数

• memo (Optional[Set[Module], None]) – 用于存储已添加到结果中的模块集合的备忘录

• prefix (str) – 一个将添加到模块名称的前缀

• remove_duplicate (bool) – 是否在结果中移除重复的模块实例

生成器

(str, Module) – 名称和模块的元组

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.named_modules()):
...     print(idx, '->', m)

0 -> ('', Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
))
1 -> ('0', Linear(in_features=2, out_features=2, bias=True))

named_parameters(prefix='', recurse=True, remove_duplicate=True)

返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。

参数

• prefix (str) – 要添加到所有参数名称前的前缀。

• recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的参数。默认为 True。

生成器

(str, Parameter) – 包含名称和参数的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, param in self.named_parameters():
>>>     if name in ['bias']:
>>>         print(param.size())

返回类型

Iterator[Tuple[str, Parameter]]

parameters(recurse=True)

返回一个遍历模块参数的迭代器。

这通常传递给一个优化器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

生成器

参数 – 模块参数

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for param in model.parameters():
>>>     print(type(param), param.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Parameter]

register_backward_hook(hook)

在模块上注册一个反向钩子。

此函数已被弃用，取而代之的是 register_full_backward_hook()，并且此函数的行为将在未来版本中发生变化。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_buffer(name, tensor, persistent=True)

向模块添加一个缓冲区。

这通常用于注册一个不应被视为模型参数的缓冲区。例如，BatchNorm 的 running_mean 不是参数，而是模块状态的一部分。缓冲区默认是持久的，并将与参数一起保存。可以通过将 persistent 设置为 False 来更改此行为。持久缓冲区和非持久缓冲区之间的唯一区别是后者不会成为此模块的 state_dict 的一部分。

缓冲区可以通过给定的名称作为属性来访问。

参数

• name (str) – 缓冲区的名称。可以使用给定的名称从此模块访问缓冲区。

• tensor (Tensor or None) – 要注册的缓冲区。如果为 None ，则运行在缓冲区上的操作，如 cuda ，将被忽略。如果为 None ，该缓冲区将 不 包含在模块的 state_dict 中。

• persistent (bool) – 缓冲区是否是此模块的 state_dict 的一部分。

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> self.register_buffer('running_mean', torch.zeros(num_features))

返回类型

None

register_forward_hook(hook, *, prepend=False, with_kwargs=False, always_call=False)

在模块上注册一个前向钩子。

钩子将在每次 forward() 计算输出后被调用。

如果 with_kwargs 为 False 或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输出。它可以就地修改输入，但这不会影响前向传播，因为这是在调用 forward() 之后调用的。钩子应具有以下签名:

hook(module, args, output) -> None or modified output

如果 with_kwargs 是 True，前向钩子将会传递给前向函数的 kwargs，并期望返回可能被修改的输出。钩子应具有以下签名:

hook(module, args, kwargs, output) -> None or modified output

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果 True，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之后触发。请注意，使用 register_module_forward_hook() 注册的全局 forward 钩子将在所有通过此方法注册的钩子之前触发。默认值：False

• with_kwargs (bool) – 如果 True，hook 将被传递给 forward 函数的 kwargs。默认值：False

• always_call (bool) – 如果 True ，无论在调用模块时是否引发异常，都将运行 hook 。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_forward_pre_hook(hook, *, prepend=False, with_kwargs=False)

在模块上注册一个前向预钩子。

钩子将在每次调用 forward() 之前被调用。

如果 with_kwargs 为假或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输入。用户可以在钩子中返回一个元组或单个修改后的值。如果返回单个值（除非该值已经是元组），我们将把该值包装成一个元组。钩子应具有以下签名:

hook(module, args) -> None or modified input

如果 with_kwargs 为真，前向预钩子将传递给前向函数的 kwargs。如果钩子修改了输入，则应返回 args 和 kwargs。钩子应具有以下签名:

hook(module, args, kwargs) -> None or a tuple of modified input and kwargs

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之后触发。请注意，使用 register_module_forward_pre_hook() 注册的全局 forward_pre 钩子将在通过此方法注册的所有钩子之前触发。默认值：False

• with_kwargs (bool) – 如果为真，hook 将被传递给 forward 函数的 kwargs。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_hook(hook, prepend=False)

在模块上注册一个反向钩子。

每次计算模块的梯度时，钩子都会被调用，即只有当计算模块输出的梯度时，钩子才会执行。钩子应具有以下签名:

hook(module, grad_input, grad_output) -> tuple(Tensor) or None

The grad_input 和 grad_output 是包含相对于输入和输出的梯度的元组。钩子不应修改其参数，但可以选择返回一个新的相对于输入的梯度，该梯度将用于替代 grad_input 在后续计算中。grad_input 将仅对应于作为位置参数给出的输入，所有 kwarg 参数都将被忽略。grad_input 和 grad_output 中的条目将为 None 用于所有非 Tensor 参数。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入或输出，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之后触发。请注意，通过 register_module_full_backward_hook() 注册的全局 backward 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_pre_hook(hook, prepend=False)

在模块上注册一个反向预钩子。

每次计算模块的梯度时，都会调用该钩子。钩子应具有以下签名:

hook(module, grad_output) -> tuple[Tensor] or None

The grad_output 是一个元组。钩子不应修改其参数，但它可以选择返回一个新的相对于输出的梯度，该梯度将用于替代 grad_output 在后续计算中。grad_output 中的条目对于所有非 Tensor 参数将为 None。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之后触发。请注意，通过 register_module_full_backward_pre_hook() 注册的全局 backward_pre 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_load_state_dict_post_hook(hook)

注册一个在模块的 load_state_dict 调用后运行的后置钩子。

它应该有以下签名:

hook(module, incompatible_keys) -> None

module 参数是当前注册此钩子的模块，而 incompatible_keys 参数是一个由属性 missing_keys 和 unexpected_keys 组成的 NamedTuple。missing_keys 是一个包含缺失键的 str 的 list，而 unexpected_keys 是一个包含意外键的 str 的 list。

如果需要，可以就地修改给定的 incompatible_keys。

请注意，当使用 strict=True 调用 load_state_dict() 时执行的检查会受到钩子对 missing_keys 或 unexpected_keys 所做修改的影响，这是预期的。对任一组键的添加将导致在 strict=True 时抛出错误，而清除掉缺失和意外的键将避免错误。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_module(name, module)

别名 add_module()。

返回类型

None

register_parameter(name, param)

向模块添加一个参数。

该参数可以通过给定的名称作为属性访问。

参数

• name (str) – 参数的名称。可以使用给定的名称从此模块访问该参数。

• param (Parameter or None) – 要添加到模块的参数。如果为 None ，则运行在参数上的操作，例如 cuda ，将被忽略。如果为 None ，该参数将 不 包含在模块的 state_dict 中。

返回类型

None

register_state_dict_pre_hook(hook)

为 state_dict() 方法注册一个预钩子。

这些钩子将在调用 self 上的 state_dict 之前，使用参数 self、prefix 和 keep_vars 进行调用。注册的钩子可以用于在调用 state_dict 之前执行预处理。

requires_grad_(requires_grad=True)

更改是否应在此模块的参数上记录自动梯度操作。

此方法就地设置参数的 requires_grad 属性。

这种方法有助于冻结模块的一部分以进行微调或单独训练模型的一部分（例如，GAN训练）。

请参阅 locally-disable-grad-doc 以比较 .requires_grad_() 和几个可能与之混淆的类似机制。

参数

requires_grad (bool) – 是否应在此模块的参数上记录自动求导操作。默认值：True。

返回

自身

返回类型

Module

set_extra_state(state)

设置包含在加载的 state_dict 中的额外状态。

此函数从 load_state_dict() 调用，以处理在 state_dict 中找到的任何额外状态。如果你的模块需要在 state_dict 中存储额外状态，请实现此函数以及相应的 get_extra_state()。

参数

state (dict) – 来自 state_dict 的额外状态

返回类型

None

share_memory()

参见 torch.Tensor.share_memory_()。

返回类型

~T

state_dict(*args, destination=None, prefix='', keep_vars=False)

返回一个包含模块整体状态引用的字典。

参数和持久缓冲区（例如运行平均值）都包含在内。键是对应的参数和缓冲区名称。设置为 None 的参数和缓冲区不包含在内。

备注

返回的对象是一个浅拷贝。它包含对模块参数和缓冲区的引用。

警告

目前，state_dict() 也按顺序接受 destination、prefix 和 keep_vars 的位置参数。然而，这正在被弃用，未来的版本将强制使用关键字参数。

警告

请避免使用参数 destination，因为它不是为最终用户设计的。

参数

• destination (dict, optional) – 如果提供了状态，模块的状态将被更新到字典中，并返回相同的对象。否则，将创建并返回一个 OrderedDict。默认值：None。

• prefix (str, optional) – 在 state_dict 中组合键时添加到参数和缓冲区名称的前缀。默认值：''。

• keep_vars (bool, optional) – 默认情况下，状态字典中返回的 Tensor 是从自动求导中分离的。如果设置为 True，则不会执行分离操作。默认值：False。

返回

包含模块整个状态的字典

返回类型

dict

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> module.state_dict().keys()
['bias', 'weight']

to(*args, **kwargs)

移动和/或转换参数和缓冲区。

这可以被调用为

to(device=None, dtype=None, non_blocking=False)

to(dtype, non_blocking=False)

to(tensor, non_blocking=False)

to(memory_format=torch.channels_last)

它的签名类似于 torch.Tensor.to() ，但只接受浮点型或复数型的 dtype 。此外，此方法只会将浮点型或复数型的参数和缓冲区转换为 dtype （如果给出）。整型的参数和缓冲区将被移动到 device ，如果给出，但数据类型保持不变。当 non_blocking 被设置时，它会尝试尽可能地异步转换/移动，例如，将具有固定内存的CPU张量移动到CUDA设备。

请参见以下示例。

备注

此方法在原地修改模块。

参数

• device (torch.device) – 本模块中参数和缓冲区的所需设备

• dtype (torch.dtype) – 此模块中参数和缓冲区的所需浮点数或复数数据类型

• tensor (torch.Tensor) – 张量的dtype和设备是此模块中所有参数和缓冲区的期望dtype和设备

• memory_format (torch.memory_format) – 此模块中4D参数和缓冲区的所需内存格式（仅关键字参数）

返回

自身

返回类型

Module

示例:

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

to_empty(*, device, recurse=True)

将参数和缓冲区移动到指定设备，而不复制存储。

参数

• device (torch.device) – 此模块中参数和缓冲区的所需设备。

• recurse (bool) – 子模块的参数和缓冲区是否应递归地移动到指定设备。

返回

自身

返回类型

Module

train(mode=True)

设置模块为训练模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

参数

mode (bool) – 是否设置训练模式（True）或评估模式（False）。默认值：True。

返回

自身

返回类型

Module

training: bool

type(dst_type)

将所有参数和缓冲区转换为 目标类型。

备注

此方法在原地修改模块。

参数

dst_type (type or string) – 所需类型

返回

自身

返回类型

Module

xpu(device=None)

将所有模型参数和缓冲区移动到 XPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在 XPU 上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

zero_grad(set_to_none=True)

重置所有模型参数的梯度。

更多上下文请参见 torch.optim.Optimizer 下的类似函数。

参数

set_to_none (bool) – 而不是设置为零，将梯度设置为 None。详情请参阅 torch.optim.Optimizer.zero_grad()。

返回类型

None

class darts.utils.losses.SmapeLoss(block_denom_grad=True)

基类：Module

sMAPE 损失，定义见 https://robjhyndman.com/hyndsight/smape/ (Chen and Yang 2004)

给定一个实际值的时间序列 \(y_t\) 和一个预测值的时间序列 \(\hat{y}_t\) ，两者长度均为 \(T\) ，计算如下

\[\frac{1}{T} \sum_{t=1}^{T}{\frac{\left| y_t - \hat{y}_t \right|} {\left| y_t \right| + \left| \hat{y}_t \right|} }.\]

除法结果为 NaN 或 Inf 的值被替换为 0。请注意，我们通常在计算 sMAPE 值时使用的 200 系数被省略了，因为它只影响梯度的大小，而不影响其方向。

参数

block_denom_grad (bool) – 是否在分母中停止梯度

方法

add_module(name, module)	将一个子模块添加到当前模块。
apply(fn)	递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。
bfloat16()	将所有浮点参数和缓冲区转换为 bfloat16 数据类型。
buffers([recurse])	返回一个遍历模块缓冲区的迭代器。
children()	返回一个遍历直接子模块的迭代器。
compile(*args, **kwargs)	使用 torch.compile() 编译此模块的 forward。
cpu()	将所有模型参数和缓冲区移动到CPU。
cuda([device])	将所有模型参数和缓冲区移动到GPU。
double()	将所有浮点型参数和缓冲区转换为 double 数据类型。
eval()	将模块设置为评估模式。
extra_repr()	设置模块的额外表示。
float()	将所有浮点型参数和缓冲区转换为 float 数据类型。
forward(inpt, tgt)	定义每次调用时执行的计算。
get_buffer(target)	如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。
get_extra_state()	返回要包含在模块的 state_dict 中的任何额外状态。
get_parameter(target)	如果存在，则返回由 target 给出的参数，否则抛出错误。
get_submodule(target)	如果存在，返回由 target 指定的子模块，否则抛出错误。
half()	将所有浮点参数和缓冲区转换为 half 数据类型。
ipu([device])	将所有模型参数和缓冲区移动到 IPU。
load_state_dict(state_dict[, strict, assign])	将参数和缓冲区从 state_dict 复制到此模块及其后代中。
modules()	返回网络中所有模块的迭代器。
named_buffers([prefix, recurse, ...])	返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。
named_children()	返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。
named_modules([memo, prefix, remove_duplicate])	返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。
named_parameters([prefix, recurse, ...])	返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。
parameters([recurse])	返回一个遍历模块参数的迭代器。
register_backward_hook(hook)	在模块上注册一个反向钩子。
register_buffer(name, tensor[, persistent])	向模块添加一个缓冲区。
register_forward_hook(hook, *[, prepend, ...])	在模块上注册一个前向钩子。
register_forward_pre_hook(hook, *[, ...])	在模块上注册一个前向预钩子。
register_full_backward_hook(hook[, prepend])	在模块上注册一个反向钩子。
register_full_backward_pre_hook(hook[, prepend])	在模块上注册一个反向预钩子。
register_load_state_dict_post_hook(hook)	注册一个在模块的 load_state_dict 调用后运行的后置钩子。
register_module(name, module)	别名 add_module()。
register_parameter(name, param)	向模块添加一个参数。
register_state_dict_pre_hook(hook)	为 state_dict() 方法注册一个预钩子。
requires_grad_([requires_grad])	更改是否应在此模块的参数上记录自动梯度操作。
set_extra_state(state)	设置包含在加载的 state_dict 中的额外状态。
share_memory()	参见 torch.Tensor.share_memory_()。
state_dict(*args[, destination, prefix, ...])	返回一个包含模块整体状态引用的字典。
to(*args, **kwargs)	移动和/或转换参数和缓冲区。
to_empty(*, device[, recurse])	将参数和缓冲区移动到指定设备，而不复制存储。
train([mode])	设置模块为训练模式。
type(dst_type)	将所有参数和缓冲区转换为 目标类型。
xpu([device])	将所有模型参数和缓冲区移动到 XPU。
zero_grad([set_to_none])	重置所有模型参数的梯度。

__call__

T_destination

TypeVar(‘T_destination’, bound=Dict[str, Any]) 的别名

add_module(name, module)

将一个子模块添加到当前模块。

可以通过给定的名称作为属性访问该模块。

参数

• name (str) – 子模块的名称。可以使用给定的名称从此模块访问子模块。

• module (Module) – 要添加到模块的子模块。

返回类型

None

apply(fn)

递归地将 fn 应用于每个子模块（由 .children() 返回）以及自身。

典型用途包括初始化模型的参数（另见 nn-init-doc）。

参数

fn (Module -> None) – 应用于每个子模块的函数

返回

自身

返回类型

Module

示例:

>>> @torch.no_grad()
>>> def init_weights(m):
>>>     print(m)
>>>     if type(m) == nn.Linear:
>>>         m.weight.fill_(1.0)
>>>         print(m.weight)
>>> net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
>>> net.apply(init_weights)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[1., 1.],
        [1., 1.]], requires_grad=True)
Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)

bfloat16()

将所有浮点参数和缓冲区转换为 bfloat16 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

buffers(recurse=True)

返回一个遍历模块缓冲区的迭代器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。

生成器

torch.Tensor – 模块缓冲区

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for buf in model.buffers():
>>>     print(type(buf), buf.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Tensor]

call_super_init: bool = False

children()

返回一个遍历直接子模块的迭代器。

生成器

模块 – 一个子模块

返回类型

Iterator[Module]

compile(*args, **kwargs)

使用 torch.compile() 编译此模块的 forward。

此模块的 __call__ 方法是编译的，所有参数都按原样传递给 torch.compile()。

有关此函数的参数详情，请参阅 torch.compile()。

cpu()

将所有模型参数和缓冲区移动到CPU。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

cuda(device=None)

将所有模型参数和缓冲区移动到GPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在GPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

double()

将所有浮点型参数和缓冲区转换为 double 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

dump_patches: bool = False

eval()

将模块设置为评估模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

这等同于 self.train(False)。

请参阅 locally-disable-grad-doc 以比较 .eval() 和几个可能与之混淆的类似机制。

返回

自身

返回类型

Module

extra_repr()

设置模块的额外表示。

要打印自定义的额外信息，你应该在你的模块中重新实现这个方法。单行和多行字符串都是可接受的。

返回类型

str

float()

将所有浮点型参数和缓冲区转换为 float 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

forward(inpt, tgt)

定义每次调用时执行的计算。

应由所有子类重写。

备注

尽管前向传递的配方需要在这个函数内定义，但应该调用 Module 实例而不是这个函数，因为前者负责运行注册的钩子，而后者则默默地忽略它们。

get_buffer(target)

如果 target 指定的缓冲区存在，则返回该缓冲区，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的缓冲区的完全限定字符串名称。（有关如何指定完全限定字符串，请参见 get_submodule。）

返回

target 引用的缓冲区

返回类型

torch.Tensor

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是缓冲区的东西

get_extra_state()

返回要包含在模块的 state_dict 中的任何额外状态。

如果你需要存储额外的状态，请在你的模块中实现这个方法以及相应的 set_extra_state()。当构建模块的 state_dict() 时，会调用此函数。

请注意，额外的状态应该是可pickle的，以确保state_dict的序列化工作。我们仅对序列化张量提供向后兼容性保证；其他对象如果在其序列化的pickle形式发生变化时，可能会破坏向后兼容性。

返回

要在模块的 state_dict 中存储的任何额外状态

返回类型

object

get_parameter(target)

如果存在，则返回由 target 给出的参数，否则抛出错误。

有关此方法功能的更详细说明以及如何正确指定 target，请参阅 get_submodule 的文档字符串。

参数

target (str) – 要查找的参数的全限定字符串名称。（关于如何指定全限定字符串，请参见 get_submodule。）

返回

target 引用的参数

返回类型

torch.nn.Parameter

引发

AttributeError – 如果目标字符串引用了一个无效路径或解析为不是 nn.Parameter 的内容

get_submodule(target)

如果存在，返回由 target 指定的子模块，否则抛出错误。

例如，假设你有一个 nn.Module A ，它看起来像这样：

A(
    (net_b): Module(
        (net_c): Module(
            (conv): Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2))
        )
        (linear): Linear(in_features=100, out_features=200, bias=True)
    )
)

(该图展示了一个 nn.Module A。A 有一个嵌套的子模块 net_b，它本身有两个子模块 net_c 和 linear。net_c 然后有一个子模块 conv。)

要检查我们是否拥有 linear 子模块，我们会调用 get_submodule("net_b.linear")。要检查我们是否拥有 conv 子模块，我们会调用 get_submodule("net_b.net_c.conv")。

get_submodule 的运行时间受限于 target 中的模块嵌套程度。对 named_modules 的查询可以实现相同的结果，但它是 O(N) 的传递模块数量。因此，对于检查某个子模块是否存在的简单检查，应始终使用 get_submodule。

参数

target (str) – 要查找的子模块的完全限定字符串名称。（请参见上面的示例，了解如何指定完全限定的字符串。）

返回

由 target 引用的子模块

返回类型

torch.nn.Module

引发

AttributeError – 如果目标字符串引用了一个无效的路径或解析为不是 nn.Module 的内容

half()

将所有浮点参数和缓冲区转换为 half 数据类型。

备注

此方法在原地修改模块。

返回

自身

返回类型

Module

ipu(device=None)

将所有模型参数和缓冲区移动到 IPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在IPU上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

load_state_dict(state_dict, strict=True, assign=False)

将参数和缓冲区从 state_dict 复制到此模块及其后代中。

如果 strict 是 True，那么 state_dict 的键必须与该模块的 state_dict() 函数返回的键完全匹配。

警告

如果 assign 是 True，优化器必须在调用 load_state_dict 之后创建，除非 get_swap_module_params_on_conversion() 是 True。

参数

• state_dict (dict) – 包含参数和持久缓冲区的字典。

• strict (bool, optional) – 是否严格要求 state_dict 中的键与该模块的 state_dict() 函数返回的键匹配。默认值：True

• assign (bool, optional) – 当 False 时，当前模块中张量的属性保持不变，而当 True 时，状态字典中张量的属性保持不变。唯一的例外是 Parameter 的 requires_grad 字段，其值从模块中保留。默认值：False

返回

• missing_keys 是一个包含任何预期键的 str 列表

  此模块中存在但未在提供的 state_dict 中出现的。

• unexpected_keys 是一个包含未预料到的键的 str 列表。

  此模块预期但未在提供的 state_dict 中出现。

返回类型

带有 missing_keys 和 unexpected_keys 字段的 NamedTuple

备注

如果一个参数或缓冲区被注册为 None ，并且其对应的键存在于 state_dict 中，load_state_dict() 将引发一个 RuntimeError 。

modules()

返回网络中所有模块的迭代器。

生成器

模块 – 网络中的一个模块

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)

0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)

返回类型

Iterator[Module]

named_buffers(prefix='', recurse=True, remove_duplicate=True)

返回一个模块缓冲区的迭代器，同时生成缓冲区的名称和缓冲区本身。

参数

• prefix (str) – 要添加到所有缓冲区名称的前缀。

• recurse (bool, optional) – 如果为 True，则生成此模块及其所有子模块的缓冲区。否则，仅生成此模块的直接成员缓冲区。默认为 True。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的缓冲区。默认为 True。

生成器

(str, torch.Tensor) – 包含名称和缓冲区的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, buf in self.named_buffers():
>>>     if name in ['running_var']:
>>>         print(buf.size())

返回类型

Iterator[Tuple[str, Tensor]]

named_children()

返回一个遍历直接子模块的迭代器，同时生成模块的名称和模块本身。

生成器

(str, Module) – 包含名称和子模块的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, module in model.named_children():
>>>     if name in ['conv4', 'conv5']:
>>>         print(module)

返回类型

Iterator[Tuple[str, Module]]

named_modules(memo=None, prefix='', remove_duplicate=True)

返回一个遍历网络中所有模块的迭代器，同时生成模块的名称和模块本身。

参数

• memo (Optional[Set[Module], None]) – 用于存储已添加到结果中的模块集合的备忘录

• prefix (str) – 一个将添加到模块名称的前缀

• remove_duplicate (bool) – 是否在结果中移除重复的模块实例

生成器

(str, Module) – 名称和模块的元组

备注

重复的模块只会返回一次。在下面的例子中，l 只会返回一次。

示例:

>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.named_modules()):
...     print(idx, '->', m)

0 -> ('', Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
))
1 -> ('0', Linear(in_features=2, out_features=2, bias=True))

named_parameters(prefix='', recurse=True, remove_duplicate=True)

返回一个遍历模块参数的迭代器，同时产生参数的名称和参数本身。

参数

• prefix (str) – 要添加到所有参数名称前的前缀。

• recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

• remove_duplicate (bool, optional) – 是否在结果中移除重复的参数。默认为 True。

生成器

(str, Parameter) – 包含名称和参数的元组

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for name, param in self.named_parameters():
>>>     if name in ['bias']:
>>>         print(param.size())

返回类型

Iterator[Tuple[str, Parameter]]

parameters(recurse=True)

返回一个遍历模块参数的迭代器。

这通常传递给一个优化器。

参数

recurse (bool) – 如果为真，则生成此模块及其所有子模块的参数。否则，仅生成此模块的直接成员参数。

生成器

参数 – 模块参数

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> for param in model.parameters():
>>>     print(type(param), param.size())
<class 'torch.Tensor'> (20L,)
<class 'torch.Tensor'> (20L, 1L, 5L, 5L)

返回类型

Iterator[Parameter]

register_backward_hook(hook)

在模块上注册一个反向钩子。

此函数已被弃用，取而代之的是 register_full_backward_hook()，并且此函数的行为将在未来版本中发生变化。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_buffer(name, tensor, persistent=True)

向模块添加一个缓冲区。

这通常用于注册一个不应被视为模型参数的缓冲区。例如，BatchNorm 的 running_mean 不是参数，而是模块状态的一部分。缓冲区默认是持久的，并将与参数一起保存。可以通过将 persistent 设置为 False 来更改此行为。持久缓冲区和非持久缓冲区之间的唯一区别是后者不会成为此模块的 state_dict 的一部分。

缓冲区可以通过给定的名称作为属性来访问。

参数

• name (str) – 缓冲区的名称。可以使用给定的名称从此模块访问缓冲区。

• tensor (Tensor or None) – 要注册的缓冲区。如果为 None ，则运行在缓冲区上的操作，如 cuda ，将被忽略。如果为 None ，该缓冲区将 不 包含在模块的 state_dict 中。

• persistent (bool) – 缓冲区是否是此模块的 state_dict 的一部分。

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> self.register_buffer('running_mean', torch.zeros(num_features))

返回类型

None

register_forward_hook(hook, *, prepend=False, with_kwargs=False, always_call=False)

在模块上注册一个前向钩子。

钩子将在每次 forward() 计算输出后被调用。

如果 with_kwargs 为 False 或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输出。它可以就地修改输入，但这不会影响前向传播，因为这是在调用 forward() 之后调用的。钩子应具有以下签名:

hook(module, args, output) -> None or modified output

如果 with_kwargs 是 True，前向钩子将会传递给前向函数的 kwargs，并期望返回可能被修改的输出。钩子应具有以下签名:

hook(module, args, kwargs, output) -> None or modified output

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果 True，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward 钩子之后触发。请注意，使用 register_module_forward_hook() 注册的全局 forward 钩子将在所有通过此方法注册的钩子之前触发。默认值：False

• with_kwargs (bool) – 如果 True，hook 将被传递给 forward 函数的 kwargs。默认值：False

• always_call (bool) – 如果 True ，无论在调用模块时是否引发异常，都将运行 hook 。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_forward_pre_hook(hook, *, prepend=False, with_kwargs=False)

在模块上注册一个前向预钩子。

钩子将在每次调用 forward() 之前被调用。

如果 with_kwargs 为假或未指定，输入仅包含传递给模块的位置参数。关键字参数不会传递给钩子，只会传递给 forward。钩子可以修改输入。用户可以在钩子中返回一个元组或单个修改后的值。如果返回单个值（除非该值已经是元组），我们将把该值包装成一个元组。钩子应具有以下签名:

hook(module, args) -> None or modified input

如果 with_kwargs 为真，前向预钩子将传递给前向函数的 kwargs。如果钩子修改了输入，则应返回 args 和 kwargs。钩子应具有以下签名:

hook(module, args, kwargs) -> None or a tuple of modified input and kwargs

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 forward_pre 钩子之后触发。请注意，使用 register_module_forward_pre_hook() 注册的全局 forward_pre 钩子将在通过此方法注册的所有钩子之前触发。默认值：False

• with_kwargs (bool) – 如果为真，hook 将被传递给 forward 函数的 kwargs。默认值：False

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_hook(hook, prepend=False)

在模块上注册一个反向钩子。

每次计算模块的梯度时，钩子都会被调用，即只有当计算模块输出的梯度时，钩子才会执行。钩子应具有以下签名:

hook(module, grad_input, grad_output) -> tuple(Tensor) or None

The grad_input 和 grad_output 是包含相对于输入和输出的梯度的元组。钩子不应修改其参数，但可以选择返回一个新的相对于输入的梯度，该梯度将用于替代 grad_input 在后续计算中。grad_input 将仅对应于作为位置参数给出的输入，所有 kwarg 参数都将被忽略。grad_input 和 grad_output 中的条目将为 None 用于所有非 Tensor 参数。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入或输出，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上所有现有的 backward 钩子之后触发。请注意，通过 register_module_full_backward_hook() 注册的全局 backward 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_full_backward_pre_hook(hook, prepend=False)

在模块上注册一个反向预钩子。

每次计算模块的梯度时，都会调用该钩子。钩子应具有以下签名:

hook(module, grad_output) -> tuple[Tensor] or None

The grad_output 是一个元组。钩子不应修改其参数，但它可以选择返回一个新的相对于输出的梯度，该梯度将用于替代 grad_output 在后续计算中。grad_output 中的条目对于所有非 Tensor 参数将为 None。

出于技术原因，当此钩子应用于模块时，其前向函数将接收传递给模块的每个张量的视图。同样，调用者将接收模块前向函数返回的每个张量的视图。

警告

在使用反向钩子时，不允许就地修改输入，否则将引发错误。

参数

• hook (Callable) – 要注册的用户定义钩子。

• prepend (bool) – 如果为真，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之前触发。否则，提供的 hook 将在该 torch.nn.modules.Module 上的所有现有 backward_pre 钩子之后触发。请注意，通过 register_module_full_backward_pre_hook() 注册的全局 backward_pre 钩子将在通过此方法注册的所有钩子之前触发。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_load_state_dict_post_hook(hook)

注册一个在模块的 load_state_dict 调用后运行的后置钩子。

它应该有以下签名:

hook(module, incompatible_keys) -> None

module 参数是当前注册此钩子的模块，而 incompatible_keys 参数是一个由属性 missing_keys 和 unexpected_keys 组成的 NamedTuple。missing_keys 是一个包含缺失键的 str 的 list，而 unexpected_keys 是一个包含意外键的 str 的 list。

如果需要，可以就地修改给定的 incompatible_keys。

请注意，当使用 strict=True 调用 load_state_dict() 时执行的检查会受到钩子对 missing_keys 或 unexpected_keys 所做修改的影响，这是预期的。对任一组键的添加将导致在 strict=True 时抛出错误，而清除掉缺失和意外的键将避免错误。

返回

一个可以通过调用 handle.remove() 来移除添加的钩子的句柄

返回类型

torch.utils.hooks.RemovableHandle

register_module(name, module)

别名 add_module()。

返回类型

None

register_parameter(name, param)

向模块添加一个参数。

该参数可以通过给定的名称作为属性访问。

参数

• name (str) – 参数的名称。可以使用给定的名称从此模块访问该参数。

• param (Parameter or None) – 要添加到模块的参数。如果为 None ，则运行在参数上的操作，例如 cuda ，将被忽略。如果为 None ，该参数将 不 包含在模块的 state_dict 中。

返回类型

None

register_state_dict_pre_hook(hook)

为 state_dict() 方法注册一个预钩子。

这些钩子将在调用 self 上的 state_dict 之前，使用参数 self、prefix 和 keep_vars 进行调用。注册的钩子可以用于在调用 state_dict 之前执行预处理。

requires_grad_(requires_grad=True)

更改是否应在此模块的参数上记录自动梯度操作。

此方法就地设置参数的 requires_grad 属性。

这种方法有助于冻结模块的一部分以进行微调或单独训练模型的一部分（例如，GAN训练）。

请参阅 locally-disable-grad-doc 以比较 .requires_grad_() 和几个可能与之混淆的类似机制。

参数

requires_grad (bool) – 是否应在此模块的参数上记录自动求导操作。默认值：True。

返回

自身

返回类型

Module

set_extra_state(state)

设置包含在加载的 state_dict 中的额外状态。

此函数从 load_state_dict() 调用，以处理在 state_dict 中找到的任何额外状态。如果你的模块需要在 state_dict 中存储额外状态，请实现此函数以及相应的 get_extra_state()。

参数

state (dict) – 来自 state_dict 的额外状态

返回类型

None

share_memory()

参见 torch.Tensor.share_memory_()。

返回类型

~T

state_dict(*args, destination=None, prefix='', keep_vars=False)

返回一个包含模块整体状态引用的字典。

参数和持久缓冲区（例如运行平均值）都包含在内。键是对应的参数和缓冲区名称。设置为 None 的参数和缓冲区不包含在内。

备注

返回的对象是一个浅拷贝。它包含对模块参数和缓冲区的引用。

警告

目前，state_dict() 也按顺序接受 destination、prefix 和 keep_vars 的位置参数。然而，这正在被弃用，未来的版本将强制使用关键字参数。

警告

请避免使用参数 destination，因为它不是为最终用户设计的。

参数

• destination (dict, optional) – 如果提供了状态，模块的状态将被更新到字典中，并返回相同的对象。否则，将创建并返回一个 OrderedDict。默认值：None。

• prefix (str, optional) – 在 state_dict 中组合键时添加到参数和缓冲区名称的前缀。默认值：''。

• keep_vars (bool, optional) – 默认情况下，状态字典中返回的 Tensor 是从自动求导中分离的。如果设置为 True，则不会执行分离操作。默认值：False。

返回

包含模块整个状态的字典

返回类型

dict

示例:

>>> # xdoctest: +SKIP("undefined vars")
>>> module.state_dict().keys()
['bias', 'weight']

to(*args, **kwargs)

移动和/或转换参数和缓冲区。

这可以被调用为

to(device=None, dtype=None, non_blocking=False)

to(dtype, non_blocking=False)

to(tensor, non_blocking=False)

to(memory_format=torch.channels_last)

它的签名类似于 torch.Tensor.to() ，但只接受浮点型或复数型的 dtype 。此外，此方法只会将浮点型或复数型的参数和缓冲区转换为 dtype （如果给出）。整型的参数和缓冲区将被移动到 device ，如果给出，但数据类型保持不变。当 non_blocking 被设置时，它会尝试尽可能地异步转换/移动，例如，将具有固定内存的CPU张量移动到CUDA设备。

请参见以下示例。

备注

此方法在原地修改模块。

参数

• device (torch.device) – 本模块中参数和缓冲区的所需设备

• dtype (torch.dtype) – 此模块中参数和缓冲区的所需浮点数或复数数据类型

• tensor (torch.Tensor) – 张量的dtype和设备是此模块中所有参数和缓冲区的期望dtype和设备

• memory_format (torch.memory_format) – 此模块中4D参数和缓冲区的所需内存格式（仅关键字参数）

返回

自身

返回类型

Module

示例:

>>> # xdoctest: +IGNORE_WANT("non-deterministic")
>>> linear = nn.Linear(2, 2)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]])
>>> linear.to(torch.double)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1913, -0.3420],
        [-0.5113, -0.2325]], dtype=torch.float64)
>>> # xdoctest: +REQUIRES(env:TORCH_DOCTEST_CUDA1)
>>> gpu1 = torch.device("cuda:1")
>>> linear.to(gpu1, dtype=torch.half, non_blocking=True)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16, device='cuda:1')
>>> cpu = torch.device("cpu")
>>> linear.to(cpu)
Linear(in_features=2, out_features=2, bias=True)
>>> linear.weight
Parameter containing:
tensor([[ 0.1914, -0.3420],
        [-0.5112, -0.2324]], dtype=torch.float16)

>>> linear = nn.Linear(2, 2, bias=None).to(torch.cdouble)
>>> linear.weight
Parameter containing:
tensor([[ 0.3741+0.j,  0.2382+0.j],
        [ 0.5593+0.j, -0.4443+0.j]], dtype=torch.complex128)
>>> linear(torch.ones(3, 2, dtype=torch.cdouble))
tensor([[0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j],
        [0.6122+0.j, 0.1150+0.j]], dtype=torch.complex128)

to_empty(*, device, recurse=True)

将参数和缓冲区移动到指定设备，而不复制存储。

参数

• device (torch.device) – 此模块中参数和缓冲区的所需设备。

• recurse (bool) – 子模块的参数和缓冲区是否应递归地移动到指定设备。

返回

自身

返回类型

Module

train(mode=True)

设置模块为训练模式。

这仅对某些模块有影响。如果它们受到影响，请参阅特定模块的文档以了解其在训练/评估模式下的行为细节，例如 Dropout、BatchNorm 等。

参数

mode (bool) – 是否设置训练模式（True）或评估模式（False）。默认值：True。

返回

自身

返回类型

Module

training: bool

type(dst_type)

将所有参数和缓冲区转换为 目标类型。

备注

此方法在原地修改模块。

参数

dst_type (type or string) – 所需类型

返回

自身

返回类型

Module

xpu(device=None)

将所有模型参数和缓冲区移动到 XPU。

这也会使关联的参数和缓冲区成为不同的对象。因此，如果模块将在 XPU 上进行优化，则应在构建优化器之前调用此方法。

备注

此方法在原地修改模块。

参数

device (int, optional) – 如果指定，所有参数将被复制到该设备

返回

自身

返回类型

Module

zero_grad(set_to_none=True)

重置所有模型参数的梯度。

更多上下文请参见 torch.optim.Optimizer 下的类似函数。

参数

set_to_none (bool) – 而不是设置为零，将梯度设置为 None。详情请参阅 torch.optim.Optimizer.zero_grad()。

返回类型

None

上一页

似然模型

下一页

用于填充缺失值的工具