saved_tensors_hooks¶

class paddle.autograd. saved_tensors_hooks [源代码] ¶

在前向训练时，通常需要保存一些 Tensor，用于反向梯度计算使用。因而会导致显存使用量非常大。 saved_tensors_hooks 用于动态图，注册一对 pack / unpack hook，用于临时存放和取回 Tensor，这个些 Tensor 就是前向保存用于反向使用的 Tensor。

参数

pack_hook (function) – 当某个算子的前向执行时，存在 Tensor 需要保留给反向计算梯度使用时， pack_hook 将会被调用。 pack_hook 可以将 Tensor 临时存放到内存或者硬盘上。 pack_hook 的输入是 1 个要被保留的 Tensor。 pack_hook 的输出是恢复被保留 Tensor 所需要的信息。当 PyLayerContext.save_for_backward 被调用时， pack_hook 也会被调用。如果一个 Tensor 是 no need buffer 的（即反向不需要数据内容，只需要数据的 meta 信息）， pack_hook 则不会被调用。只有需要保留的 Tensor 带有 LoD 信息， pack_hook 才会被调用。

unpack_hook (function) – 当反向执行，需要用到前向保留的 Tensor 时， unpack_hook 会被调用 unpack_hook 的输入是 pack_hook `` 输出的用于恢复 Tensor 所需的信息。 ``unpack_hook 的输出是恢复后的 Tensor，这个 Tensor 的数据内容应该和 pack_hook 的输入严格一致。

返回

无

代码示例¶

          >>> # Example1
>>> import paddle

>>> def pack_hook(x):
...     print("Packing", x)
...     return x.numpy()

>>> def unpack_hook(x):
...     print("UnPacking", x)
...     return paddle.to_tensor(x)

>>> a = paddle.ones([3,3])
>>> b = paddle.ones([3,3]) * 2
>>> a.stop_gradient = False
>>> b.stop_gradient = False
>>> with paddle.autograd.saved_tensors_hooks(pack_hook, unpack_hook):
...     y = paddle.multiply(a, b)
>>> y.sum().backward()

>>> # Example2
>>> import paddle
>>> from paddle.autograd import PyLayer

>>> class cus_multiply(PyLayer):
...     @staticmethod
...     def forward(ctx, a, b):
...         y = paddle.multiply(a, b)
...         ctx.save_for_backward(a, b)
...         return y
...
...     @staticmethod
...     def backward(ctx, dy):
...         a,b = ctx.saved_tensor()
...         grad_a = dy * a
...         grad_b = dy * b
...         return grad_a, grad_b

>>> def pack_hook(x):
...     print("Packing", x)
...     return x.numpy()

>>> def unpack_hook(x):
...     print("UnPacking", x)
...     return paddle.to_tensor(x)

>>> a = paddle.ones([3,3])
>>> b = paddle.ones([3,3]) * 2
>>> a.stop_gradient = False
>>> b.stop_gradient = False
>>> with paddle.autograd.saved_tensors_hooks(pack_hook, unpack_hook):
...     y = cus_multiply.apply(a, b)
>>> y.sum().backward()

         