WandaSparsifier

class torchao.sparsity.WandaSparsifier(sparsity_level: float = 0.5, semi_structured_block_size: Optional[int] = None)

Wanda 稀疏器

Wanda (透過權重和激活進行剪枝)，在 https://arxiv.org/abs/2306.11695 中提出，是一種激活感知的剪枝方法。該稀疏器基於輸入激活範數和權重幅度的乘積來移除權重。

此稀疏器由三個變數控制：1. sparsity_level 定義了被歸零的稀疏區塊的數量；

參數:

• sparsity_level – 目標稀疏度；

• model – 要稀疏化的模型；

prepare(model: Module, config: List[Dict]) → None

透過添加參數化來準備模型。

注意

The model is modified inplace. If you need to preserve the original
model, use copy.deepcopy.

squash_mask(params_to_keep: Optional[Tuple[str, ...]] = None, params_to_keep_per_layer: Optional[Dict[str, Tuple[str, ...]]] = None, *args, **kwargs)

將稀疏遮罩壓縮到適當的張量中。

如果設定了 params_to_keep 或 params_to_keep_per_layer，則該模組將附加一個 sparse_params 字典。

參數:

• params_to_keep – 要保存在模組中的鍵列表，或表示將保存稀疏參數的模組和鍵的字典

• params_to_keep_per_layer – 用於指定應為特定層保存的參數的字典。字典中的鍵應為模組 FQN，而值應為字串列表，其中包含要在 sparse_params 中儲存的變數名稱

範例

>>> # xdoctest: +SKIP("locals are undefined")
>>> # Don't save any sparse params
>>> sparsifier.squash_mask()
>>> hasattr(model.submodule1, 'sparse_params')
False

>>> # Keep sparse params per layer
>>> sparsifier.squash_mask(
...     params_to_keep_per_layer={
...         'submodule1.linear1': ('foo', 'bar'),
...         'submodule2.linear42': ('baz',)
...     })
>>> print(model.submodule1.linear1.sparse_params)
{'foo': 42, 'bar': 24}
>>> print(model.submodule2.linear42.sparse_params)
{'baz': 0.1}

>>> # Keep sparse params for all layers
>>> sparsifier.squash_mask(params_to_keep=('foo', 'bar'))
>>> print(model.submodule1.linear1.sparse_params)
{'foo': 42, 'bar': 24}
>>> print(model.submodule2.linear42.sparse_params)
{'foo': 42, 'bar': 24}

>>> # Keep some sparse params for all layers, and specific ones for
>>> # some other layers
>>> sparsifier.squash_mask(
...     params_to_keep=('foo', 'bar'),
...     params_to_keep_per_layer={
...         'submodule2.linear42': ('baz',)
...     })
>>> print(model.submodule1.linear1.sparse_params)
{'foo': 42, 'bar': 24}
>>> print(model.submodule2.linear42.sparse_params)
{'foo': 42, 'bar': 24, 'baz': 0.1}

update_mask(module: Module, tensor_name: str, sparsity_level: float, **kwargs) → None

WandaSparsifier 的修剪函數

激活統計首先在 act_per_input 變數中檢索。然後計算 Wanda 修剪指標。然後通過比較整個當前層的指標來修剪權重矩陣。