# torch.utils.checkpoint

### torch.utils.checkpoint.checkpoint(function, *args)

`checkpoint`模型或模型的一部分

`checkpoint`通过交换计算内存来工作。而不是存储整个计算图的所有中间激活用于向后计算，`checkpoint`不会不保存中间激活部分，而是在反向传递中重新计算它们。它可以应用于模型的任何部分。

具体来说，在正向传递中，`function`将以`torch.no_grad()`方式运行 ，即不存储中间激活。相反，正向传递保存输入元组和 `function`参数。在向后计算中，保存的输入变量以及 `function`会被回收，并且正向计算被`function`再次计算 ，现在跟踪中间激活，然后使用这些激活值来计算梯度。

> **警告** `checkpoint`在`torch.autograd.grad()`中不起作用，但仅适用于`torch.autograd.backward()`。
> 
> **警告** 如果`function`在向后执行和前向执行都不同，例如由于某个全局变量，`checkpoint`版本将不等同，并且不幸的是无法检测到。

参数：

*   function - 描述在模型的正向传递或模型的一部分中运行的内容。它也应该知道如何处理作为元组传递的输入。例如，在 LSTM 中，如果用户通过 ，应正确使用第一个输入作为第二个输入(activation, hidden)functionactivationhidden
*   args - 包含输入的元组 function

返回： attr`function`开`*args`

返回类型： 运行输出

### torch.utils.checkpoint.checkpoint_sequential(functions, segments, *inputs)

用于`checkpoint` `sequential`模型的辅助函数。

`sequential 模型按顺序执行一系列模块/函数（按顺序）。因此，我们可以将这种模型分为不同的部分和`checkpoint`。除最后一个段以外的所有段都将以某种`torch.no_grad()`方式运行 ，即不存储中间活动。将保存每个`checkpoint`段的输入，以便在向后传递中重新运行段。

关于`checkpoint`如何工作可以参考[checkpoint()](https://pytorch.org/docs/master/checkpoint.html#torch.utils.checkpoint.checkpoint)。

> **警告** `checkpoint`在`torch.autograd.grad()`中不起作用，但仅适用于`torch.autograd.backward()`。

参数：

*   functions - A torch.nn.Sequential 或按顺序运行的模块或函数（包括模型）的列表。
*   segments - 要在模型中创建的块数
*   segments - 输入的张量元组 functions

返回：

`functions`按顺序运行的输出`*inputs`

例:

```py
>>> model = nn.Sequential(...)
>>> input_var = checkpoint_sequential(model, chunks, input_var) 
```

部分地方存在翻译错误，即将修复

### 译者署名

| 用户名 | 头像 | 职能 | 签名 |
| --- | --- | --- | --- |
| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |