functorch.make_functional_with_buffers

functorch。make_functional_with_buffers(模型, 非活化_自動梯度_追蹤=偽)

make_functional(模型，非活化_自動梯度_追蹤=False) -> 函式，參數

給定 torch.nn.Module，make_functional() 萃取狀態（參數）並傳回模型的函數版本 函式。如此一來，就可以使用 模型 參數的轉換。

函式 可依下列方式呼叫

import torch
import torch.nn as nn
from functorch import make_functional

x = torch.randn(4, 3)
model = nn.Linear(3, 3)
func, params = make_functional(model)
func(params, x)

以下是一個範例，說明如何將梯度轉換套用在模型的參數上。

import torch
import torch.nn as nn
from functorch import make_functional, grad

x = torch.randn(4, 3)
t = torch.randn(4, 3)
model = nn.Linear(3, 3)
func, params = make_functional(model)

def compute_loss(params, x, t):
    y = func(params, x)
    return nn.functional.mse_loss(y, t)

grad_weights = grad(compute_loss)(params, x, t)

如果模型有任何緩衝，請改用 make_functional_with_buffers()。

引數

• 模型 (torch.nn.Module) – 輸入模型。

• 非活化_自動梯度_追蹤 (布林值) – 旗標，用於禁用輸出參數的梯度追蹤。傳回的參數與原始模型的參數集合無關。如果為 False（預設），參數會 requires_grad=True（亦即可以用一般 PyTorch 自動梯度追蹤），而且會符合原始模型參數的 requires_grad-ness。否則，傳回的參數會是 requires_grad=False。預設為 False。如果你打算使用一般 PyTorch 自動梯度（例如，你想要呼叫 .backward() 或 torch.autograd.grad()，請將 非活化_自動梯度_追蹤=False。否則，如果你只打算使用 functorch 的梯度轉換，請設定 非活化_自動梯度_追蹤=True，以避免使用 PyTorch 自動梯度不必要地追蹤歷程。

警告

我們已將 functorch 整合至 PyTorch。在整合的最後一步驟中，functorch.make_functional_with_buffers 從 PyTorch 2.0 開始已被棄用，並將在未來版本的 PyTorch >= 2.3 中刪除。請改用 torch.func.functional_call；有關詳細資訊，請參閱 PyTorch 2.0 發行筆記和/或 torch.func 遷移指南，https://pytorch.dev.org.tw/docs/master/func.migrating.html