torch.jit.fork

torch.jit.fork(func, *args, **kwargs)

创建一个异步任务执行func，并引用该执行结果的值。

fork 将立即返回，因此 func 的返回值可能尚未计算。要强制完成任务并访问返回值，请在 Future 上调用 torch.jit.wait。使用返回 T 的 func 调用的 fork 被类型化为 torch.jit.Future[T]。fork 调用可以任意嵌套，并且可以使用位置参数和关键字参数调用。 异步执行仅在 TorchScript 中运行时才会发生。如果在纯 Python 中运行，fork 将不会并行执行。在跟踪时调用 fork 也不会并行执行，但 fork 和 wait 调用将被捕获在导出的 IR 图中。

警告

fork 任务将以非确定性的方式执行。我们建议仅对不修改其输入、模块属性或全局状态的纯函数生成并行fork任务。

Parameters

• func (可调用对象 或 torch.nn.Module) – 一个Python函数或torch.nn.Module 将被调用。如果在TorchScript中执行，它将异步执行， 否则不会。fork的跟踪调用将被捕获在IR中。

• *args – 用于调用func的参数。

• **kwargs – 用于调用func的参数。

Returns

对 func 执行的引用。值 T 只能通过 torch.jit.wait 强制完成 func 来访问。

Return type

torch.jit.Future[T]

示例（分叉一个自由函数）：

import torch
from torch import Tensor
def foo(a : Tensor, b : int) -> Tensor:
    return a + b
def bar(a):
    fut : torch.jit.Future[Tensor] = torch.jit.fork(foo, a, b=2)
    return torch.jit.wait(fut)
script_bar = torch.jit.script(bar)
input = torch.tensor(2)
# 只有脚本版本是异步执行的
assert script_bar(input) == bar(input)
# 跟踪不会异步运行，但fork会被捕获在IR中
graph = torch.jit.trace(bar, (input,)).graph
assert "fork" in str(graph)

示例（分叉一个模块方法）：

import torch
from torch import Tensor
class AddMod(torch.nn.Module):
    def forward(self, a: Tensor, b : int):
        return a + b
class Mod(torch.nn.Module):
    def __init__(self):
        super(self).__init__()
        self.mod = AddMod()
    def forward(self, input):
        fut = torch.jit.fork(self.mod, a, b=2)
        return torch.jit.wait(fut)
input = torch.tensor(2)
mod = Mod()
assert mod(input) == torch.jit.script(mod).forward(input)