pytorch 计算过程中如何节省显存并注册钩子导出中间变量

qer12310个月前 (11-06)欧意交易所资讯236

钩子方法有四种：

火炬..（）

火炬.nn..k()

火炬.nn..ok()

torch.nn.._hook()。

1、手电筒..（挂钩）

用于导出指定张量的梯度，或者修改梯度值。

import torch
def grad_hook(grad):
    grad *= 2
x = torch.tensor([2., 2., 2., 2.], requires_grad=True)
y = torch.pow(x, 2)
z = torch.mean(y)
h = x.register_hook(grad_hook)
z.backward()
print(x.grad)
h.remove()    # removes the hook
>>> tensor([2., 2., 2., 2.])

注意：（1）上面的代码是有效的，但是如果写成grad = grad * 2就会无效，因为此时没有对grad进行本地操作，新的grad值并没有传递给指定的梯度。为了安全起见，最好在 def 语句中指定 grad。现在：

def grad_hook(grad):
    grad = grad * 2
    return grad

(2) 可以使用()方法取消钩子。注意，()必须在()之后，因为梯度计算只有在执行()语句时才开始，而在x.()处它只“注册”了一个grad hook。此时没有计算，而是执行取消这个钩子就行了，然后()这个钩子就不起作用了。

(3)如果类中定义了钩子函数，则必须先在输入参数中添加self，即

def grad_hook(self, grad):
    ...

2、torch.nn..k(,输入,输出)

用于导出指定子模块（可以是layer、等nn.type）的输入输出张量，但只能修改输出。它常用于导出或修改卷积特征图。

inps, outs = [],[]
def layer_hook(module, inp, out):
    inps.append(inp[0].data.cpu().numpy())
    outs.append(out.data.cpu().numpy())
hook = net.layer1.register_forward_hook(layer_hook)
output = net(input)
hook.remove()

注意：（1）由于模块可以有多个输入，因此输入是元组类型，需要先提取出来再进行操作；输出是元组类型，可以直接使用。

(2)导出后不要放到显存上，除非你有A100。

（3）只能修改输出out的值，不能修改输入inp的值（不能返回，本地修改无效）。修改时最好以表单形式返回，如：

def layer_hook(self, module, inp, out):
    out = self.lam * out + (1 - self.lam) * out[self.indices]
    return out

这段代码在mixup中使用，混合中间层特征，实现数据增强，其中self.lam是[0,1]概率值，self.lam是[0,1]概率值。是最后一个序列号。

3、torch.nn.._hook(, in)

用于导出或修改指定子模块的输入张量。

def pre_hook(module, inp):
    inp0 = inp[0]
    inp0 = inp0 * 2
    inp = tuple([inp0])
    return inp
hook = net.layer1.register_forward_pre_hook(pre_hook)
output = net(input)
hook.remove()

注意：（1）inp值是tuple类型，所以需要先提取张量，然后进行其他操作，然后将其转换为tuple并返回。

(2)这句话只有在执行=net(input)时才会被调用。 ()可以放在调用后取消钩子。

4、torch.nn..ok(, , )

用于导出指定子模块的输入和输出张量的梯度，但只能修改输入张量的梯度（即只能返回gin），不能修改输出张量的梯度。

gouts = []
def backward_hook(module, gin, gout):
    print(len(gin),len(gout))
    gouts.append(gout[0].data.cpu().numpy())
    gin0,gin1,gin2 = gin
    gin1 = gin1*2
    gin2 = gin2*3
    gin = tuple([gin0,gin1,gin2])
    return gin
hook = net.layer1.register_backward_hook(backward_hook)
loss.backward()
hook.remove()