模型剪裁教程
模型剪裁教程
原文：https://pytorch.org/tutorials/intermediate/pruning_tutorial.html
作者： Michela Paganini
最新的深度学习技术依赖于难以部署的过度参数化模型。 相反，已知生物神经网络使用有效的稀疏连通性。 为了减少内存，电池和硬件消耗，同时又不牺牲精度，在设备上部署轻量级模型并通过私有设备上计算来确保私密性，确定通过减少模型中的参数数量来压缩模型的最佳技术很重要。 在研究方面，剪裁用于研究参数过度配置和参数不足网络在学习动态方面的差异，以研究幸运的稀疏子网络的作用（“彩票”），以及初始化，作为破坏性的神经结构搜索技术等等。
在本教程中，您将学习如何使用torch.nn.utils.prune稀疏神经网络，以及如何扩展它以实现自己的自定义剪裁技术。
要求
"torch>=1.4.0a0+8e8a5e0"
import torch
from torch import nn
import torch.nn.utils.prune as prune
import torch.nn.functional as F
创建模型
在本教程中，我们使用 LeCun 等人，1998 年的 LeNet 架构。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
# 1 input image channel, 6 output channels, 3x3 square conv kernel
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6, 16, 3)
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5x5 image dimension
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, int(x.nelement() / x.shape[0]))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
model = LeNet().to(device=device)
检查模块
让我们检查一下 LeNet 模型中的（未剪裁）conv1层。 现在它将包含两个参数weight和bias，并且没有缓冲区。
module = model.conv1
print(list(module.named_parameters()))
出：
[('weight', Parameter containing:
tensor([[[[ 0.1552, 0.0102, -0.1944],
[ 0.0263, 0.1374, -0.3139],
[ 0.2838, 0.1943, 0.0948]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.2295],
[-0.0050, 0.2485, -0.3230],
[-0.1317, -0.0054, 0.2659]]],
[[[-0.0932, 0.1316, 0.0670],
[ 0.0572, -0.1845, 0.0870],
[ 0.1372, 0.1080, 0.0324]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.3108, 0.2317, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0407, 0.0512, 0.0954],
[-0.0437, 0.0302, -0.1317],
[ 0.2573, 0.0626, 0.0883]]]], device='cuda:0', requires_grad=True)), ('bias', Parameter containing:
tensor([-0.1803, 0.1331, -0.3267, 0.3173, -0.0349, 0.1828], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
出：
[]
剪裁模块
要剪裁模块（在此示例中，为 LeNet 架构的conv1层），请首先从torch.nn.utils.prune中可用的那些技术中选择一种剪裁技术（或通过子类化BasePruningMethod实现您自己的东西）。 然后，指定模块和该模块中要剪裁的参数的名称。 最后，使用所选剪裁技术所需的适当关键字参数，指定剪裁参数。
在此示例中，我们将在conv1层中名为weight的参数中随机剪裁 30% 的连接。 模块作为第一个参数传递给函数； name使用其字符串标识符在该模块中标识参数； amount表示与剪裁的连接百分比（如果是介于 0 和 1 之间的浮点数），或表示与剪裁的连接的绝对数量（如果它是非负整数）。
prune.random_unstructured(module, name="weight", amount=0.3)
剪裁是通过从参数中删除weight并将其替换为名为weight_orig的新参数（即，将"_orig"附加到初始参数name）来进行的。 weight_orig存储未剪裁的张量版本。 bias未剪裁，因此它将保持完整。
print(list(module.named_parameters()))
出：
[('bias', Parameter containing:
tensor([-0.1803, 0.1331, -0.3267, 0.3173, -0.0349, 0.1828], device='cuda:0',
requires_grad=True)), ('weight_orig', Parameter containing:
tensor([[[[ 0.1552, 0.0102, -0.1944],
[ 0.0263, 0.1374, -0.3139],
[ 0.2838, 0.1943, 0.0948]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.2295],
[-0.0050, 0.2485, -0.3230],
[-0.1317, -0.0054, 0.2659]]],
[[[-0.0932, 0.1316, 0.0670],
[ 0.0572, -0.1845, 0.0870],
[ 0.1372, 0.1080, 0.0324]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.3108, 0.2317, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0407, 0.0512, 0.0954],
[-0.0437, 0.0302, -0.1317],
[ 0.2573, 0.0626, 0.0883]]]], device='cuda:0', requires_grad=True))]
通过以上选择的剪裁技术生成的剪裁掩码将保存为名为weight_mask的模块缓冲区（即，将"_mask"附加到初始参数name）。
print(list(module.named_buffers()))
出：
[('weight_mask', tensor([[[[1., 1., 0.],
[0., 0., 1.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]],
[[[1., 1., 0.],
[1., 0., 0.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 0., 1.],
[1., 1., 1.]]],
[[[1., 1., 1.],
[0., 0., 1.],
[1., 1., 1.]]],
[[[1., 0., 0.],
[1., 0., 1.],
[1., 0., 0.]]]], device='cuda:0'))]
为了使正向传播不更改即可工作，需要存在weight属性。 在torch.nn.utils.prune中实现的剪裁技术计算权重的剪裁版本（通过将掩码与原始参数组合）并将它们存储在属性weight中。 注意，这不再是module的参数，现在只是一个属性。
print(module.weight)
出：
tensor([[[[ 0.1552, 0.0102, -0.0000],
[ 0.0000, 0.0000, -0.3139],
[ 0.2838, 0.0000, 0.0948]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.0000],
[-0.0050, 0.0000, -0.0000],
[-0.1317, -0.0000, 0.2659]]],
[[[-0.0932, 0.1316, 0.0670],
[ 0.0572, -0.0000, 0.0870],
[ 0.1372, 0.1080, 0.0324]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.0000, 0.0000, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0407, 0.0000, 0.0000],
[-0.0437, 0.0000, -0.1317],
[ 0.2573, 0.0000, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
最后，使用 PyTorch 的forward_pre_hooks在每次向前传递之前应用剪裁。 具体来说，当剪裁module时（如我们在此处所做的那样），它将为与之关联的每个参数获取forward_pre_hook进行剪裁。 在这种情况下，由于到目前为止我们只剪裁了名称为weight的原始参数，因此只会出现一个钩子。
print(module._forward_pre_hooks)
出：
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7fda78275e48>)])
为了完整起见，我们现在也可以剪裁bias，以查看module的参数，缓冲区，挂钩和属性如何变化。 仅出于尝试另一种剪裁技术的目的，在此我们按 L1 范数剪裁偏差中的 3 个最小条目，如l1_unstructured剪裁函数中所实现的。
prune.l1_unstructured(module, name="bias", amount=3)
现在，我们希望命名参数同时包含weight_orig（从前）和bias_orig。 缓冲区将包括weight_mask和bias_mask。 两个张量的剪裁后的版本将作为模块属性存在，并且该模块现在将具有两个forward_pre_hooks。
print(list(module.named_parameters()))
出：
[('weight_orig', Parameter containing:
tensor([[[[ 0.1552, 0.0102, -0.1944],
[ 0.0263, 0.1374, -0.3139],
[ 0.2838, 0.1943, 0.0948]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.2295],
[-0.0050, 0.2485, -0.3230],
[-0.1317, -0.0054, 0.2659]]],
[[[-0.0932, 0.1316, 0.0670],
[ 0.0572, -0.1845, 0.0870],
[ 0.1372, 0.1080, 0.0324]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.3108, 0.2317, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0407, 0.0512, 0.0954],
[-0.0437, 0.0302, -0.1317],
[ 0.2573, 0.0626, 0.0883]]]], device='cuda:0', requires_grad=True)), ('bias_orig', Parameter containing:
tensor([-0.1803, 0.1331, -0.3267, 0.3173, -0.0349, 0.1828], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
出：
[('weight_mask', tensor([[[[1., 1., 0.],
[0., 0., 1.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]],
[[[1., 1., 0.],
[1., 0., 0.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 0., 1.],
[1., 1., 1.]]],
[[[1., 1., 1.],
[0., 0., 1.],
[1., 1., 1.]]],
[[[1., 0., 0.],
[1., 0., 1.],
[1., 0., 0.]]]], device='cuda:0')), ('bias_mask', tensor([0., 0., 1., 1., 0., 1.], device='cuda:0'))]
print(module.bias)
出：
tensor([-0.0000, 0.0000, -0.3267, 0.3173, -0.0000, 0.1828], device='cuda:0',
grad_fn=<MulBackward0>)
print(module._forward_pre_hooks)
出：
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7fda78275e48>), (1, <torch.nn.utils.prune.L1Unstructured object at 0x7fda80bbe470>)])
迭代式剪裁
一个模块中的同一参数可以被多次剪裁，各种剪裁调用的效果等于连接应用的各种蒙版的组合。 PruningContainer的compute_mask方法可处理新遮罩与旧遮罩的组合。
例如，假设我们现在想进一步剪裁module.weight，这一次是使用沿着张量的第 0 轴的结构化剪裁（第 0 轴对应于卷积层的输出通道，并且对于conv1具有 6 维） ，基于渠道的 L2 规范。 这可以通过ln_structured和n=2和dim=0函数来实现。
prune.ln_structured(module, name="weight", amount=0.5, n=2, dim=0)
# As we can verify, this will zero out all the connections corresponding to
# 50% (3 out of 6) of the channels, while preserving the action of the
# previous mask.
print(module.weight)
出：
tensor([[[[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.0000],
[-0.0050, 0.0000, -0.0000],
[-0.1317, -0.0000, 0.2659]]],
[[[-0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.0000, 0.0000, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0000, 0.0000, 0.0000],
[-0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
现在，对应的钩子将为torch.nn.utils.prune.PruningContainer类型，并将存储应用于weight参数的剪裁历史。
for hook in module._forward_pre_hooks.values():
if hook._tensor_name == "weight": # select out the correct hook
break
print(list(hook)) # pruning history in the container
出：
[<torch.nn.utils.prune.RandomUnstructured object at 0x7fda78275e48>, <torch.nn.utils.prune.LnStructured object at 0x7fda80071828>]
序列化剪裁的模型
所有相关的张量，包括掩码缓冲区和用于计算剪裁的张量的原始参数，都存储在模型的state_dict中，因此可以根据需要轻松地序列化和保存。
print(model.state_dict().keys())
出：
odict_keys(['conv1.weight_orig', 'conv1.bias_orig', 'conv1.weight_mask', 'conv1.bias_mask', 'conv2.weight', 'conv2.bias', 'fc1.weight', 'fc1.bias', 'fc2.weight', 'fc2.bias', 'fc3.weight', 'fc3.bias'])
删除剪裁重新参数化
要使剪裁永久化，请删除weight_orig和weight_mask的重新参数化，然后删除forward_pre_hook，我们可以使用torch.nn.utils.prune的remove函数。 请注意，这不会撤消剪裁，好像从未发生过。 而是通过将参数weight重新分配给模型参数（剪裁后的版本）来使其永久不变。
删除重新参数化之前：
print(list(module.named_parameters()))
出：
[('weight_orig', Parameter containing:
tensor([[[[ 0.1552, 0.0102, -0.1944],
[ 0.0263, 0.1374, -0.3139],
[ 0.2838, 0.1943, 0.0948]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.2295],
[-0.0050, 0.2485, -0.3230],
[-0.1317, -0.0054, 0.2659]]],
[[[-0.0932, 0.1316, 0.0670],
[ 0.0572, -0.1845, 0.0870],
[ 0.1372, 0.1080, 0.0324]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.3108, 0.2317, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0407, 0.0512, 0.0954],
[-0.0437, 0.0302, -0.1317],
[ 0.2573, 0.0626, 0.0883]]]], device='cuda:0', requires_grad=True)), ('bias_orig', Parameter containing:
tensor([-0.1803, 0.1331, -0.3267, 0.3173, -0.0349, 0.1828], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
出：
[('weight_mask', tensor([[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]],
[[[1., 1., 0.],
[1., 0., 0.],
[1., 0., 1.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[1., 1., 1.],
[0., 0., 1.],
[1., 1., 1.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]]], device='cuda:0')), ('bias_mask', tensor([0., 0., 1., 1., 0., 1.], device='cuda:0'))]
print(module.weight)
出：
tensor([[[[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.0000],
[-0.0050, 0.0000, -0.0000],
[-0.1317, -0.0000, 0.2659]]],
[[[-0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.0000, 0.0000, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0000, 0.0000, 0.0000],
[-0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
删除重新参数化后：
prune.remove(module, 'weight')
print(list(module.named_parameters()))
出：
[('bias_orig', Parameter containing:
tensor([-0.1803, 0.1331, -0.3267, 0.3173, -0.0349, 0.1828], device='cuda:0',
requires_grad=True)), ('weight', Parameter containing:
tensor([[[[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[-0.0296, -0.2514, 0.1300],
[ 0.0756, -0.3155, -0.2900],
[-0.1840, 0.1143, -0.0120]]],
[[[-0.2383, -0.3022, 0.0000],
[-0.0050, 0.0000, -0.0000],
[-0.1317, -0.0000, 0.2659]]],
[[[-0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000],
[ 0.0000, 0.0000, 0.0000]]],
[[[ 0.0908, -0.3280, 0.0365],
[-0.0000, 0.0000, -0.2271],
[ 0.1171, 0.2113, -0.2259]]],
[[[ 0.0000, 0.0000, 0.0000],
[-0.0000, 0.0000, -0.0000],
[ 0.0000, 0.0000, 0.0000]]]], device='cuda:0', requires_grad=True))]
print(list(module.named_buffers()))
出：
[('bias_mask', tensor([0., 0., 1., 1., 0., 1.], device='cuda:0'))]
剪裁模型中的多个参数
通过指定所需的剪裁技术和参数，我们可以轻松地剪裁网络中的多个张量，也许根据它们的类型，如在本示例中将看到的那样。
new_model = LeNet()
for name, module in new_model.named_modules():
# prune 20% of connections in all 2D-conv layers
if isinstance(module, torch.nn.Conv2d):
prune.l1_unstructured(module, name='weight', amount=0.2)
# prune 40% of connections in all linear layers
elif isinstance(module, torch.nn.Linear):
prune.l1_unstructured(module, name='weight', amount=0.4)
print(dict(new_model.named_buffers()).keys()) # to verify that all masks exist
出：
dict_keys(['conv1.weight_mask', 'conv2.weight_mask', 'fc1.weight_mask', 'fc2.weight_mask', 'fc3.weight_mask'])
全局剪裁
到目前为止，我们仅查看了通常称为“局部”剪裁的情况，即通过比较每个条目的统计信息（权重，激活度，梯度等）来逐个剪裁模型中的张量的做法。 到该张量中的其他条目。 但是，一种通用且可能更强大的技术是通过删除（例如）删除整个模型中最低的 20% 的连接，而不是删除每一层中最低的 20% 的连接来一次剪裁模型。 这很可能导致每个层的剪裁百分比不同。 让我们看看如何使用torch.nn.utils.prune中的global_unstructured进行操作。
model = LeNet()
parameters_to_prune = (
(model.conv1, 'weight'),
(model.conv2, 'weight'),
(model.fc1, 'weight'),
(model.fc2, 'weight'),
(model.fc3, 'weight'),
)
prune.global_unstructured(
parameters_to_prune,
pruning_method=prune.L1Unstructured,
amount=0.2,
)
现在，我们可以检查每个剪裁参数中引起的稀疏性，该稀疏性将不等于每层中的 20%。 但是，全局稀疏度将（大约）为 20%。
print(
"Sparsity in conv1.weight: {:.2f}%".format(
100\. * float(torch.sum(model.conv1.weight == 0))
/ float(model.conv1.weight.nelement())
)
)
print(
"Sparsity in conv2.weight: {:.2f}%".format(
100\. * float(torch.sum(model.conv2.weight == 0))
/ float(model.conv2.weight.nelement())
)
)
print(
"Sparsity in fc1.weight: {:.2f}%".format(
100\. * float(torch.sum(model.fc1.weight == 0))
/ float(model.fc1.weight.nelement())
)
)
print(
"Sparsity in fc2.weight: {:.2f}%".format(
100\. * float(torch.sum(model.fc2.weight == 0))
/ float(model.fc2.weight.nelement())
)
)
print(
"Sparsity in fc3.weight: {:.2f}%".format(
100\. * float(torch.sum(model.fc3.weight == 0))
/ float(model.fc3.weight.nelement())
)
)
print(
"Global sparsity: {:.2f}%".format(
100\. * float(
torch.sum(model.conv1.weight == 0)
+ torch.sum(model.conv2.weight == 0)
+ torch.sum(model.fc1.weight == 0)
+ torch.sum(model.fc2.weight == 0)
+ torch.sum(model.fc3.weight == 0)
)
/ float(
model.conv1.weight.nelement()
+ model.conv2.weight.nelement()
+ model.fc1.weight.nelement()
+ model.fc2.weight.nelement()
+ model.fc3.weight.nelement()
)
)
)
出：
Sparsity in conv1.weight: 3.70%
Sparsity in conv2.weight: 8.10%
Sparsity in fc1.weight: 22.05%
Sparsity in fc2.weight: 12.29%
Sparsity in fc3.weight: 8.45%
Global sparsity: 20.00%
使用自定义剪裁函数扩展torch.nn.utils.prune
要实现自己的剪裁函数，可以通过继承BasePruningMethod基类的子类来扩展nn.utils.prune模块，这与所有其他剪裁方法一样。 基类为您实现以下方法：__call__，apply_mask，apply，prune和remove。 除了一些特殊情况外，您无需为新的剪裁技术重新实现这些方法。 但是，您将必须实现__init__（构造器）和compute_mask（有关如何根据剪裁技术的逻辑为给定张量计算掩码的说明）。 另外，您将必须指定此技术实现的剪裁类型（支持的选项为global，structured和unstructured）。 需要确定在迭代应用剪裁的情况下如何组合蒙版。 换句话说，当剪裁预剪裁的参数时，当前的剪裁技术应作用于参数的未剪裁部分。 指定PRUNING_TYPE将使PruningContainer（处理剪裁掩码的迭代应用）正确识别要剪裁的参数。
例如，假设您要实现一种剪裁技术，以剪裁张量中的所有其他条目（或者-如果先前已剪裁过张量，则剪裁张量的其余未剪裁部分）。 这将是PRUNING_TYPE='unstructured'，因为它作用于层中的单个连接，而不作用于整个单元/通道（'structured'），或作用于不同的参数（'global'）。
class FooBarPruningMethod(prune.BasePruningMethod):
"""Prune every other entry in a tensor
"""
PRUNING_TYPE = 'unstructured'
def compute_mask(self, t, default_mask):
mask = default_mask.clone()
mask.view(-1)[::2] = 0
return mask
现在，要将其应用于nn.Module中的参数，还应该提供一个简单的函数来实例化该方法并将其应用。
def foobar_unstructured(module, name):
"""Prunes tensor corresponding to parameter called `name` in `module`
by removing every other entry in the tensors.
Modifies module in place (and also return the modified module)
by:
1) adding a named buffer called `name+'_mask'` corresponding to the
binary mask applied to the parameter `name` by the pruning method.
The parameter `name` is replaced by its pruned version, while the
original (unpruned) parameter is stored in a new parameter named
`name+'_orig'`.
Args:
module (nn.Module): module containing the tensor to prune
name (string): parameter name within `module` on which pruning
will act.
Returns:
module (nn.Module): modified (i.e. pruned) version of the input
module
Examples:
>>> m = nn.Linear(3, 4)
>>> foobar_unstructured(m, name='bias')
"""
FooBarPruningMethod.apply(module, name)
return module
试试吧！
model = LeNet()
foobar_unstructured(model.fc3, name='bias')
print(model.fc3.bias_mask)
出：
tensor([0., 1., 0., 1., 0., 1., 0., 1., 0., 1.])
脚本的总运行时间：（0 分钟 0.135 秒）
下载 Python 源码：pruning_tutorial.py
下载 Jupyter 笔记本：pruning_tutorial.ipynb
由 Sphinx 画廊生成的画廊