PyTorch 共享张量

概述

使用特定函数，这些函数在大多数情况下应该可以满足您的需求。但这并非没有副作用。

from safetensors.torch import load_model, save_model

save_model(model, "model.safetensors")
# Instead of save_file(model.state_dict(), "model.safetensors")

load_model(model, "model.safetensors")
# Instead of model.load_state_dict(load_file("model.safetensors"))

什么是共享张量？

Pytorch 在某些计算中使用共享张量。这对于减少整体内存使用非常有用。

一个非常经典的用例是在 transformers 中，embeddings 与 lm_head 共享。通过使用相同的矩阵，模型使用更少的参数，并且梯度可以更好地流向 embeddings（它是模型的起点，因此梯度不易流向那里，而 lm_head 是模型的尾部，因此梯度非常好，因为它们是相同的张量，所以两者都受益）。

from torch import nn

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.a = nn.Linear(100, 100)
        self.b = self.a

    def forward(self, x):
        return self.b(self.a(x))


model = Model()
print(model.state_dict())
# odict_keys(['a.weight', 'a.bias', 'b.weight', 'b.bias'])
torch.save(model.state_dict(), "model.bin")
# This file is now 41k instead of ~80k, because A and B are the same weight hence only 1 is saved on disk with both `a` and `b` pointing to the same buffer

为什么 safetensors 中不保存共享张量？

有多个原因。

并非所有框架都支持它们，例如 tensorflow 不支持。因此，如果有人在 torch 中保存共享张量，则无法以类似的方式加载它们，因此我们无法保持相同的 Dict[str, Tensor] API。
这使得延迟加载变得非常快。 延迟加载是指仅加载特定张量或特定文件部分张量的能力。在没有共享张量的情况下，这很容易实现，但在共享张量的情况下，
```
with safe_open("model.safetensors", framework="pt") as f:
    a = f.get_tensor("a")
    b = f.get_tensor("b")
```
现在，使用当前代码无法在之后“重新共享”缓冲区。一旦我们提供 a 张量，当您请求 b 时，我们就无法将相同的内存返回（在此特定示例中，我们可以跟踪已提供的缓冲区，但通常情况并非如此，因为您可以对 a 执行任意操作，例如在请求 b 之前将其发送到另一个设备）。
这会导致文件比必要的大得多。 如果您要保存一个仅占较大张量一部分的共享张量，那么使用 pytorch 保存它会导致保存整个缓冲区，而不是仅保存所需的部分。
```
a = torch.zeros((100, 100))
b = a[:1, :]
torch.save({"b": b}, "model.bin")
# File is 41k instead of the expected 400 bytes
# In practice it could happen that you save several 10GB instead of 1GB.
```

现在，考虑到所有这些原因，这里没有一成不变的规定。共享张量不会导致不安全或拒绝服务漏洞，因此如果当前的解决方法无法令人满意，可以重新考虑此决定。

它是如何工作的？

设计相当简单。我们将查找所有共享张量，然后查找覆盖整个缓冲区的张量（可能有多个此类张量）。这将提供多个名称，可以保存这些名称，我们只需选择第一个名称。

在 load_model 期间，我们加载的方式类似于 load_state_dict 的加载方式，不同之处在于我们查看模型本身以检查共享缓冲区，并忽略实际上通过缓冲区共享而被覆盖的“缺少键”（由于缓冲区在幕后加载，因此它们已正确加载）。所有其他错误都会照常引发。

注意： 这意味着我们正在删除文件中的某些键。也就是说，如果要检查磁盘上保存的键，您将看到一些“缺少的张量”，或者如果您使用的是 load_state_dict。除非我们开始直接在格式中支持共享张量，否则别无选择。

< > 在 GitHub 上更新

Safetensors

PyTorch 共享张量

概述

什么是共享张量？

为什么 safetensors 中不保存共享张量？

它是如何工作的？