QCFS-related work

news2024/11/26 20:25:31

一、代码

def replace_maxpool2d_by_avgpool2d(model): # 将模型中的所有MaxPool2d层替换为AvgPool2d层。
    for name, module in model._modules.items(): # 函数使用递归方式遍历模型的所有模块，通过model._modules.items()获取模型的子模块以及它们对应的名称。
        if hasattr(module, "_modules"): # 对于每个子模块，首先检查是否有进一步的子模块，如果有，则递归调用replace_maxpool2d_by_avgpool2d函数对其进行替换。
            model._modules[name] = replace_maxpool2d_by_avgpool2d(module)
        if module.__class__.__name__ == 'MaxPool2d': # 然后，检查当前模块的类名是否为MaxPool2d，如果是，则将该模块替换为一个具有相同参数的AvgPool2d层。
            model._modules[name] = nn.AvgPool2d(kernel_size=module.kernel_size,
                                                stride=module.stride,
                                                padding=module.padding)
    return model

_modules 是一个特殊的属性，用于访问模型对象中的子模块。
model._modules 是一个字典，其中键是子模块的名称，值是对应的子模块对象。items() 是字典的方法之一，它返回一个由键-值对组成的元组列表，表示字典中的所有项。每个元组的第一个元素是子模块的名称，第二个元素是对应的子模块对象。
在
比如：
在这里插入图片描述
modelVGG16有5个Sequential模块和1个Classifer模块。（Sequential模块本身不是一层，而是一种容器，用于将多个层按顺序组合成一个模块）

打印module.__class__如下：
<class ‘torch.nn.modules.container.Sequential’> × 6
打印module.__class__.__name__如下：
Sequential × 6

sequential容器内部还有很多的如Conv2d等子模块，即对于<class ‘torch.nn.modules.container.Sequential’>来说hasattr(module, "_modules")成立，还有子模块，所以要继续递归到每个最小子模块，才能判断

二、

torch.ones_like(x) 是一个函数，它返回一个与输入张量 x 具有相同形状的张量，且所有元素的值都设置为1。

三、

计算机永远正确定律
aka：also known as
无语了。。这种错误只有不学计算机的才能。。。犯出来吧。。
在这里插入图片描述
这样输出的args.id： __
因为这三个变量为空

四、

spikes_number = {}

def save_spikes_number(module, inputdata, output):
    global spikes_number
    if not module in spikes_number:
        spikes_number[module] = {}
        #字典套字典
       {
    		"module1": {
        		"1": 10,
        		"2": 100
    		},
    		......		
       }
        spikes_number[module]["1"] = torch.sum(torch.abs(output))
        spikes_number[module]["2"] = output.numel()
    else:
        spikes_number[module]["1"] = spikes_number[module]["1"]+torch.sum(torch.abs(output))
        
def add_IF_hook(model):
    children = list(model.named_children())
    for name, child in children:
        is_need = False
        if isinstance(child, ScaledNeuron):
            model._modules[name].register_forward_hook(save_spikes_number)
            is_need = True
        if not is_need:
            add_IF_hook(child)