扩展 PyTorch

在本说明中，我们将介绍扩展torch.nn,torch.autograd,torch，并使用我们的 C 编写自定义 C 扩展 库。

扩展torch.autograd

添加作autograd需要实现新的Function子类。回想一下，函数 是什么autograd用于对作历史记录和计算进行编码 梯度。

本文档的第一部分重点介绍向后模式 AD，因为它是使用最广泛的 特征。最后的部分讨论了正向模式 AD 的扩展。

适用情形

通常，如果要在模型中执行计算，请实现自定义函数 不可微分或依赖于非 Pytorch 库（例如 NumPy），但 仍然希望您的作与其他作链接并使用 Autograd 引擎。

在某些情况下，自定义函数还可用于提高性能和 内存使用情况：如果您使用 C++ 扩展实现了向前和向后传递，则 你可以将它们包装在Function与 autograd 接口 发动机。如果您想减少为向后传递保存的缓冲区数量， 自定义函数可用于将 Ops 组合在一起。

何时不使用

如果您已经可以根据 PyTorch 的内置作编写函数，则其 backward graph （很可能） 已经能够被 autograd 记录下来。在这种情况下，您 不需要自己实现 backward 函数。考虑使用普通 旧的 Python 函数。

如果你需要维护状态，即可训练的参数，你应该（也）使用 自定义模块。有关扩展的更多信息，请参阅以下部分torch.nn.

如果您想在向后传递期间更改渐变或执行 side effect 中，请考虑注册一个 Tensor 或 Module 钩子。

如何使用

请按照以下步骤进行作： 1. 子类Function并实施forward()和backward()方法。 2. 对 ctx 参数调用适当的方法。 3. 声明你的函数是否支持 double backward。 4. 使用 gradcheck 验证您的渐变是否正确。

步骤1：子类化之后Function，您需要定义 2 个方法：

• forward()是执行该作的代码。可能需要 任意数量的参数，其中一些是可选的，如果你 指定默认值。这里接受各种 Python 对象。 跟踪 history 的参数（即 with ）将被转换为不跟踪 history 的参数 ，并且它们的使用将在 Graph 中注册。请注意，此 logic 不会遍历 lists/dicts/任何其他数据结构，并且只会遍历 考虑作为调用的直接参数的张量。您可以 返回单个输出或Tensorrequires_grad=TrueTensortuple之 tensor 的 Tensor 值。另外，请参考 的文档Function查找有用的方法的描述，这些方法可以是 仅调用forward().

• backward()（或 ） 定义梯度公式。 它将被赋予与输出一样多的参数，每个 它们表示该输出的梯度。永远不要修改是很重要的 这些 在 地。它应该返回与那里一样多的张量 是输入，每个输入都包含其 相应的输入。如果您的输入不需要梯度 （ 是一个布尔值元组，指示 无论每个输入都需要梯度计算），还是非对象，您都可以返回 。此外，如果您有可选的 arguments 设置为vjp()Tensorneeds_input_gradTensorNoneforward()您可以返回比 10 更多的梯度 是输入，只要它们都是None.

步骤2：您有责任正确使用转发的 ctx 中的函数，以确保新的Function适用于 Autograd 引擎。

• save_for_backward()必须是 在保存 forward 的输入或输出张量以备稍后在 backward 中使用时使用时使用。 其他任何内容，即非张量和既不是输入也不是输出的张量 应直接存储在 ctx 上。

• mark_dirty()必须用于 标记由 forward 函数就地修改的任何输入。

• mark_non_differentiable()必须 用于告诉引擎输出是否不可微分。由 default 将设置所有 Differentiable 类型的 output Tensor 要求梯度。不可微分类型的张量（即整型） 永远不会标记为需要渐变。

• set_materialize_grads()可以是 用于告诉 Autograd 引擎在满足以下条件的情况下优化梯度计算 输出不依赖于输入，因为没有具体化给定给 backward 的 grad 张量 功能。也就是说，如果设置为 False，则 Python 中的 None 对象或“未定义的张量”（tensor x 为 其中 x.defined（） 为 False）C++不会转换为之前填充零的张量 更改为 backward 调用，因此您的代码将需要处理此类对象，就像它们是 张量填充为零。此设置的默认值为 True。

步骤3：如果您的Function不支持 double backward 您应该通过使用 .使用此装饰器，尝试 通过函数执行 double backward 将产生错误。 有关双向后的更多信息，请参阅我们的 double backward 教程。once_differentiable()

步骤4：建议您使用torch.autograd.gradcheck()检查您的反向函数是否正确计算了 forward 通过使用 backward 函数计算雅可比矩阵，以及 将按元素计算的值与数值计算的雅可比行列式进行比较 finite-differencing 的

例

您可以在下面找到函数的代码Lineartorch.nn跟 补充说明：

# Inherit from Function
class LinearFunction(Function):

    # Note that both forward and backward are @staticmethods
    @staticmethod
    # bias is an optional argument
    def forward(ctx, input, weight, bias=None):
        ctx.save_for_backward(input, weight, bias)
        output = input.mm(weight.t())
        if bias is not None:
            output += bias.unsqueeze(0).expand_as(output)
        return output

    # This function has only a single output, so it gets only one gradient
    @staticmethod
    def backward(ctx, grad_output):
        # This is a pattern that is very convenient - at the top of backward
        # unpack saved_tensors and initialize all gradients w.r.t. inputs to
        # None. Thanks to the fact that additional trailing Nones are
        # ignored, the return statement is simple even when the function has
        # optional inputs.
        input, weight, bias = ctx.saved_tensors
        grad_input = grad_weight = grad_bias = None

        # These needs_input_grad checks are optional and there only to
        # improve efficiency. If you want to make your code simpler, you can
        # skip them. Returning gradients for inputs that don't require it is
        # not an error.
        if ctx.needs_input_grad[0]:
            grad_input = grad_output.mm(weight)
        if ctx.needs_input_grad[1]:
            grad_weight = grad_output.t().mm(input)
        if bias is not None and ctx.needs_input_grad[2]:
            grad_bias = grad_output.sum(0)

        return grad_input, grad_weight, grad_bias

现在，为了更轻松地使用这些自定义作，我们建议为它们的方法设置别名：apply

linear = LinearFunction.apply

在这里，我们给出了一个函数的另一个示例，该函数由 非 Tensor 参数：

class MulConstant(Function):
    @staticmethod
    def forward(ctx, tensor, constant):
        # ctx is a context object that can be used to stash information
        # for backward computation
        ctx.constant = constant
        return tensor * constant

    @staticmethod
    def backward(ctx, grad_output):
        # We return as many input gradients as there were arguments.
        # Gradients of non-Tensor arguments to forward must be None.
        return grad_output * ctx.constant, None

在这里，我们通过调用 set_materialize_grads（False） 来优化上面的示例：

class MulConstant(Function):
    @staticmethod
    def forward(ctx, tensor, constant):
        ctx.set_materialize_grads(False)
        ctx.constant = constant
        return tensor * constant

    @staticmethod
    def backward(ctx, grad_output):
        # Here we must handle None grad_output tensor. In this case we
        # can skip unnecessary computations and just return None.
        if grad_output is None:
            return None, None

        # We return as many input gradients as there were arguments.
        # Gradients of non-Tensor arguments to forward must be None.
        return grad_output * ctx.constant, None

注意

的输入 ，即 ，也可以是 跟踪历史记录。所以 if 是使用 differentiable 实现的 作（例如，调用另一个自定义backwardgrad_outputbackwardFunction），高阶导数将起作用。 在这种情况下，也可以使用保存的 tensor 在 backward 中，并且有梯度回流，但保存在 中的 Tensor 不会有梯度回流。 如果需要将 Tensor 的梯度回流，则应 使其成为自定义的输出，并使用 .save_for_backwardctxctxFunctionsave_for_backward

你可能想检查你实现的 backward 方法是否真的 计算函数的导数。通过与 使用小有限差分的数值近似值：

from torch.autograd import gradcheck

# gradcheck takes a tuple of tensors as input, check if your gradient
# evaluated with these tensors are close enough to numerical
# approximations and returns True if they all verify this condition.
input = (torch.randn(20,20,dtype=torch.double,requires_grad=True), torch.randn(30,20,dtype=torch.double,requires_grad=True))
test = gradcheck(linear, input, eps=1e-6, atol=1e-4)
print(test)

有关有限差分梯度比较的更多详细信息，请参阅数值梯度检查。 如果您的函数用于高阶导数（区分向后传递），则 可以使用同一包中的函数来检查高阶导数。gradgradcheck

正向模式 AD

覆盖正向模式 AD 公式具有非常相似的 API，但有一些不同的微妙之处。 您可以实现jvp()功能。

它将获得与输入一样多的参数，每个 它们表示该输入的梯度。它应该返回与那里一样多的张量 是输出，每个输出都包含其相应输出的梯度。 这Tensorjvp()将在forward()方法，在 return 之前。apply()

jvp()与backward()功能：

• 您可以使用 ctx 从forward()到jvp()功能。 如果backward(), 您可以通过在del ctx.foojvp()功能。

• 的实现jvp()必须是向后可微分的，或者显式检查 未设置任何给定的 Forward Mode gradient。requires_grad

• 这jvp()函数必须与forward(). 例如，如果就地修改了第 th 个输入，则必须就地更新第 th 个梯度。 同样，如果 th 输出是 th input.那么返回的 th 个输出梯度必须为 给定 TH 个输入梯度的视图。iijkjk

• 由于用户无法指定需要计算哪个梯度，因此jvp()函数应 始终计算所有输出的梯度。

• 正向模式渐变确实遵循set_materialize_grads()禁用此选项后，您可以获得 None 输入渐变。

扩展torch.nn

nn导出两种接口 - 模块及其功能 版本。您可以通过两种方式扩展它，但我们建议使用 modules for 各种层，其中包含任何参数或缓冲区，并建议使用 函数形式无参数作，如激活函数、池化、 等。

添加作的功能版本已在 部分。

添加Module

因为nn大量使用autograd，在编辑器中添加新的Module需要实现Function执行作并可以计算梯度。从现在开始，让我们 假设我们想要实现一个模块，并且我们有函数 如上面的清单所示实现。只需很少的代码即可 添加这个。现在，有两个功能需要实现：Linear

• __init__ (可选）- 接受参数，例如内核大小、数字 of 特征等，并初始化参数和缓冲区。

• forward()- 实例化Function和 使用它来执行作。它与函数式包装器非常相似 如上所示。

这是 module 的实现方式：Linear

class Linear(nn.Module):
    def __init__(self, input_features, output_features, bias=True):
        super(Linear, self).__init__()
        self.input_features = input_features
        self.output_features = output_features

        # nn.Parameter is a special kind of Tensor, that will get
        # automatically registered as Module's parameter once it's assigned
        # as an attribute. Parameters and buffers need to be registered, or
        # they won't appear in .parameters() (doesn't apply to buffers), and
        # won't be converted when e.g. .cuda() is called. You can use
        # .register_buffer() to register buffers.
        # nn.Parameters require gradients by default.
        self.weight = nn.Parameter(torch.empty(output_features, input_features))
        if bias:
            self.bias = nn.Parameter(torch.empty(output_features))
        else:
            # You should always register all possible parameters, but the
            # optional ones can be None if you want.
            self.register_parameter('bias', None)

        # Not a very smart way to initialize weights
        nn.init.uniform_(self.weight, -0.1, 0.1)
        if self.bias is not None:
            nn.init.uniform_(self.bias, -0.1, 0.1)

    def forward(self, input):
        # See the autograd section for explanation of what happens here.
        return LinearFunction.apply(input, self.weight, self.bias)

    def extra_repr(self):
        # (Optional)Set the extra information about this module. You can test
        # it by printing an object of this class.
        return 'input_features={}, output_features={}, bias={}'.format(
            self.input_features, self.output_features, self.bias is not None
        )

扩展torch

您可以通过定义自定义 类中具有与 .但是，如果您想能够 将这些类型传递给函数，例如TensorTensortorch.add()在顶级torch接受作数的命名空间？Tensor

如果您的自定义 python 类型定义了一个名为 PyTorch 的方法 将调用 Implement 时，您的 custom 类传递给__torch_function____torch_function__torchNamespace。这使得 可以为torch命名空间，您的实现可以调用该命名空间， 允许用户在现有 PyTorch 中使用自定义类型 他们已为 .这适用于 “duck” 类型，这些类型与 User Defined 无关 的子类。__torch_function__TensorTensorTensor

扩展torch替换为 -like 类型Tensor

注意

此功能的灵感来自 NumPy 协议。请参阅 NumPy 文档和 NEP-0018 以获取 更多细节。__array_function__

为了具体化这一点，让我们从一个简单的示例开始，该示例说明了 API 调度机制。我们将创建一个表示 2D 标量的自定义类型 张量，由沿对角线条目的顺序和值参数化，：Nvalue

class ScalarTensor(object):
   def __init__(self, N, value):
       self._N = N
       self._value = value

   def __repr__(self):
       return "DiagonalTensor(N={}, value={})".format(self._N, self._value)

   def tensor(self):
       return self._value * torch.eye(self._N)

设计的第一次迭代不是很有用。的主要功能是提供更紧凑的标量字符串表示 Tensor 而不是在基 Tensor 类中：ScalarTensor

>>> d = ScalarTensor(5, 2)
>>> d
ScalarTensor(N=5, value=2)
>>> d.tensor()
tensor([[2., 0., 0., 0., 0.],
        [0., 2., 0., 0., 0.],
        [0., 0., 2., 0., 0.],
        [0., 0., 0., 2., 0.],
        [0., 0., 0., 0., 2.]])

如果我们尝试将此对象与torchAPI，我们将运行 进入问题：

>>> import torch
>>> torch.mean(d)
TypeError: mean(): argument 'input' (position 1) must be Tensor, not ScalarTensor

添加一个 implementation to 使其 上述作可能会成功。让我们重新做我们的实现 这次添加一个 implementation：__torch_function__ScalarTensor__torch_function__

HANDLED_FUNCTIONS = {}
class ScalarTensor(object):
    def __init__(self, N, value):
        self._N = N
        self._value = value

    def __repr__(self):
        return "DiagonalTensor(N={}, value={})".format(self._N, self._value)

    def tensor(self):
        return self._value * torch.eye(self._N)

    @classmethod
    def __torch_function__(cls, func, types, args=(), kwargs=None):
        if kwargs is None:
            kwargs = {}
        if func not in HANDLED_FUNCTIONS or not all(
            issubclass(t, (torch.Tensor, ScalarTensor))
            for t in types
        ):
            return NotImplemented
        return HANDLED_FUNCTIONS[func](*args, **kwargs)

该方法采用四个参数：、引用 添加到正在覆盖的 torch API 函数中，将 类型，这些 Tensor 类函数实现 ， ， ， 传递给函数的参数元组，以及 Dict 的 keyword 传递给函数的参数。它使用名为 的全局调度表来存储自定义实现。这个的键 dictionary 是命名空间中的函数，值是 的实现。__torch_function__functypes__torch_function__argskwargsHANDLED_FUNCTIONStorchScalarTensor

注意

使用全局调度表不是 API 的强制性部分，它只是一种有用的设计模式 构建 override 实现。__torch_function__

这个类定义还不足以使 东西 - 我们还需要定义一个 implementation for for作数，并添加 实现到 Dispatch Table 字典中。单程 这样做是为了定义一个装饰器：torch.meanScalarTensortorch.meanScalarTensorHANDLED_FUNCTIONS

import functools
def implements(torch_function):
    """Register a torch function override for ScalarTensor"""
    @functools.wraps(torch_function)
    def decorator(func):
        HANDLED_FUNCTIONS[torch_function] = func
        return func
    return decorator

这可以应用于我们的 override 的实现：

@implements(torch.mean)
def mean(input):
    return float(input._value) / input._N

通过此更改，我们现在可以与 ：torch.meanScalarTensor

>>> d = ScalarTensor(5, 2)
>>> torch.mean(d)
0.4

当然，这是最简单的函数类型的示例 override 的，因为它只需要一个作数。我们可以使用相同的机器来 覆盖采用多个作数的函数，其中任何一个作数都可能是 定义 的 Tensor 或 Tensor-like ，例如对于torch.mean__torch_function__torch.add():

def ensure_tensor(data):
    if isinstance(data, ScalarTensor):
        return data.tensor()
    return torch.as_tensor(data)

@implements(torch.add)
def add(input, other):
   try:
       if input._N == other._N:
           return ScalarTensor(input._N, input._value + other._value)
       else:
           raise ValueError("Shape mismatch!")
   except AttributeError:
       return torch.add(ensure_tensor(input), ensure_tensor(other))

当两个作数都是实例时，此版本具有快速路径，而 path（路径较慢）会降级为将数据转换为 张量（当任一作数不是 .这使得覆盖 当作数为 a 或 regular 时，函数正确：ScalarTensorScalarTensorScalarTensorTensor

>>> s = ScalarTensor(2, 2)
>>> torch.add(s, s)
DiagonalTensor(N=2, value=4)
>>> t = torch.tensor([[1, 1,], [1, 1]])
>>> torch.add(s, t)
tensor([[3., 1.],
        [1., 3.]])

请注意，我们的 implementation does not take 或 as 关键字参数，如addalphaouttorch.add()确实：

>>> torch.add(s, s, alpha=2)
TypeError: add() got an unexpected keyword argument 'alpha'

为了速度和灵活性，调度机制不会 检查 override 函数的签名是否与 函数在__torch_function__torch应用程序接口。对于忽略 可选参数很好，但为了确保与 的完全兼容，torch API 函数的用户实现应注意 完全模拟被覆盖的函数的 API。Tensor

函数torch没有显式覆盖的 API 将 返回自 。如果所有带有 defined 的作数都返回，则 PyTorch 将 引发 .这意味着大多数时候 具有显式覆盖将引发一个 传递此类类型：NotImplemented__torch_function____torch_function__NotImplementedTypeErrorTypeError

>>> torch.mul(s, 3)
TypeError: no implementation found for 'torch.mul' on types that
implement __torch_function__: [ScalarTensor]

在实践中，这意味着如果你想使用 按照这些思路实现，您将需要 显式实现完整的__torch_function__torchAPI 或 API 的整个子集 您关心的使用案例。这可能是一个艰巨的任务，因为完整的torchAPI 非常广泛。

另一种选择是不返回 处理，而是将 a 传递给原始NotImplementedTensortorch在没有覆盖可用时运行。例如，如果我们将 实现 for 到下面的一个：__torch_function__ScalarTensor

@classmethod
def __torch_function__(cls, func, types, args=(), kwargs=None):
    if kwargs is None:
        kwargs = {}
    if func not in HANDLED_FUNCTIONS or not all(
            issubclass(t, (torch.Tensor, ScalarTensor))
            for t in types
        ):
        args = [a.tensor() if hasattr(a, 'tensor') else a for a in args]
        return func(*args, **kwargs)
    return HANDLED_FUNCTIONS[func](*args, **kwargs)

然后torch.mul()将正常工作，尽管 return 类型将始终 是 a 而不是 a ，即使两个作数 是实例：TensorScalarTensorScalarTensor

>>> s = ScalarTensor(2, 2)
>>> torch.mul(s, s)
tensor([[4., 0.],
        [0., 4.]])

另请参阅以下示例，了解此 pattern 的 intent 中，但总是返回一个 to propagate metadata through作中的MetadataTensorMetadataTensortorch应用程序接口。

该协议旨在全面覆盖 API， 部分覆盖可能会导致不良结果，尤其是某些 函数引发 .对于子类尤其如此， 其中 torch.add 的所有三个 Torch.Tensor.__add__和Torch。Tensor.add 必须被覆盖，即使它们返回的结果完全相同。未能做到 这也可能导致无限递归。如果需要实现 的函数，它们必须在其实现中使用。__torch_function__TypeErrortorch.Tensorsuper().__torch_function__

子类化torch.Tensor

从版本 1.7.0 开始，应用于子类的 methods on 和 public 命名空间中的函数 将返回子类实例而不是实例：torch.Tensortorch.*torch.Tensortorch.Tensor

>>> class SubTensor(torch.Tensor):
...     pass
>>> type(torch.add(SubTensor([0]), SubTensor([1]))).__name__
'SubTensor'
>>> type(torch.add(SubTensor([0]), torch.tensor([1]))).__name__
'SubTensor'

如果存在多个子类，则层次结构中最低的子类将由 违约。如果没有唯一的方法来确定这种情况，则引发 a：TypeError

>>> type(torch.add(SubTensor2([0]), SubTensor([1]))).__name__
'SubTensor2'
>>> type(torch.add(SubTensor2([0]), torch.tensor([1]))).__name__
'SubTensor2'
>>> torch.add(SubTensor([0]), OtherSubTensor([1]))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: no implementation found for 'torch.add' on types that implement __torch_function__: [SubTensor, OtherSubTensor]

如果希望对所有张量方法进行全局覆盖，则可以使用 .下面是一个记录所有函数/方法的示例 调用：__torch_function__

class LoggingTensor(torch.Tensor):
    @classmethod
    def __torch_function__(cls, func, types, args=(), kwargs=None):
        # NOTE: Logging calls Tensor.__repr__, so we can't log __repr__ without infinite recursion
        if func is not torch.Tensor.__repr__:
            logging.info(f"func: {func.__name__}, args: {args!r}, kwargs: {kwargs!r}")
        if kwargs is None:
            kwargs = {}
        return super().__torch_function__(func, types, args, kwargs)

但是，如果希望重写 Tensor 子类上的方法， 你可以通过直接覆盖 Method （通过定义 it 表示子类），或者通过使用 和 匹配 .__torch_function__func

应该小心 WITHIN 让子类始终 call 而不是直接调用， 与 1.7.0 版本之前的情况相同。如果不这样做，可能会导致递归回 in，从而导致 infinite 递归。__torch_function__super().__torch_function__(func, ...)funcfunc__torch_function__

扩展torch使用包装器 类型Tensor

另一个有用的情况是将 ， 包装为 attribute 或通过子类化。下面我们实现这种 type，该 a 将元数据字典附加到通过TensorMetadataTensorTensortorch操作。由于这个 是完整torchAPI，我们不需要 单独实现每个 override，以便我们可以使 implementation 对允许的作更加宽松：__torch_function__

class MetadataTensor(object):
    def __init__(self, data, metadata=None, **kwargs):
        self._t = torch.as_tensor(data, **kwargs)
        self._metadata = metadata

    def __repr__(self):
        return "Metadata:\n{}\n\ndata:\n{}".format(self._metadata, self._t)

    @classmethod
    def __torch_function__(cls, func, types, args=(), kwargs=None):
        if kwargs is None:
            kwargs = {}
        args = [a._t if hasattr(a, '_t') else a for a in args]
        metadatas = tuple(a._metadata if hasattr(a, '_metadata') for a in args)
        assert len(metadatas) > 0
        ret = func(*args, **kwargs)
        return MetadataTensor(ret, metadata=metadatas[0])

这个简单的实现不一定适用于torchAPI，但它足以捕获最常见的作：

>>> metadata = {'owner': 'Ministry of Silly Walks'}
>>> m = MetadataTensor([[1, 2], [3, 4]], metadata=metadata)
>>> t = torch.tensor([[1, 2], [1, 2]])
>>> torch.add(t, m)
Metadata:
{'owner': 'Ministry of Silly Walks'}

data:
tensor([[2, 4],
        [4, 6]])
>>> torch.mul(t, m)
Metadata:
{'owner': 'Ministry of Silly Walks'}

data:
tensor([[1, 4],
        [3, 8]])

对定义__torch_function__

可以将 torch API 与多个不同类型一起使用，每个类型都具有 a implementation 的 a implementation，但必须特别小心。在这样的 A 案例规则为：__torch_function__

• dispatch作收集 for each operand 的所有不同实现，并按顺序调用它们：subclasses 在超类之前，否则在运算符表达式中从左到右。__torch_function__

• 如果返回的值不是，则该值为 返回作为结果。实现可以注册它们不注册 通过返回 .NotImplementedNotImplemented

• 如果所有实现都返回，则 PyTorch 会引发 .__torch_function__NotImplementedTypeError

测试 PyTorch API 的覆盖覆盖率

实现的一个麻烦的方面是，如果某些 作 do 而其他作没有覆盖，则用户最多只会看到 不一致的体验，或者在最坏的情况下，当它们 使用没有覆盖的函数。为了简化此过程，PyTorch 提供面向开发人员的 API，以确保对覆盖的全面支持。此 API 是私有的，可能会受到 将来在没有警告的情况下进行更改。__torch_function____torch_function__

首先，要获取所有可覆盖函数的列表，请使用 .这将返回一个字典，其 keys 是 Python API 中的命名空间，其值是 函数。例如，让我们打印 其中前 5 个函数的名称可以是 overriden：torch.overrides._get_overridable_functionsPyTorchtorch.nn.functional

>>> from torch.overrides import get_overridable_functions
>>> func_dict = get_overridable_functions()
>>> nn_funcs = func_dict[torch.nn.functional]
>>> print([f.__name__ for f in nn_funcs[:5])
['adaptive_avg_pool1d', 'adaptive_avg_pool2d', 'adaptive_avg_pool3d',
 'adaptive_max_pool1d', 'adaptive_max_pool1d_with_indices']

此函数列表使得迭代所有可覆盖的 函数，但在实践中，这不足以为所有 这些功能无需费力地手动复制每个 函数。为了简化此过程，该函数返回一个字典映射 API 中的可覆盖函数，以虚拟 lambda 函数 与原始函数相同的签名，但无条件返回 -1。这些 函数最有用的是用来分析函数的 原始函数的签名：torch.overrides._get_testing_overridesPyTorchinspectPyTorch

>>> import inspect
>>> from torch.overrides import get_testing_overrides
>>> override_dict = get_testing_overrides()
>>> dummy_add = override_dict[torch.add]
>>> inspect.signature(dummy_add)
<Signature (input, other, out=None)>

最后，返回函数元组 ，它显然不能被 覆盖。此列表可以是 用于确认字典中不存在的函数是否返回了 by 无法覆盖。torch.overrides.get_ignored_functions__torch_function__get_overridable_functions

编写自定义 C++ 扩展

有关详细说明和示例，请参阅此 PyTorch 教程。

文档可在 torch.utils.cpp_extension 上找到。

编写自定义 C 扩展

此 GitHub 存储库中提供了示例。