1.pytorch源码学习03 nn.Module 提纲挈领
2.是源码什么意思module？
3.PyTorch 源码分析(一）：torch.nn.Module
4.阿里云主机源码编译安装python3常见错误处理
5.Pytorch源码剖析：nn.Module功能介绍及实现原理
6.Linux内核中的Module.symvers文件揭秘

pytorch源码学习03 nn.Module 提纲挈领

       深入理解 PyTorch 的 nn.Module：核心概念与底层逻辑

       掌握核心思想，探索底层逻辑，编译通过解析 PyTorch 的源码 nn.Module 来构建深度学习模型。此模块是编译 PyTorch 的基石，封装了一系列函数和操作，源码构成计算图，编译时空社区源码是源码构建神经网络的首选工具。

       nn.Module 初始化（__init__）

       在定义自定义模块时，编译__init__ 方法是源码关键。通过调用 super().setattr 方法，编译设置 nn.Module 的源码核心成员变量，如训练状态、编译参数、源码缓存等，编译这决定了模块的源码主要功能。这些设置包括：

       控制训练/测试状态

       初始化参数集合

       初始化缓存集合

       设置非持久缓存集

       注册前向和反向钩子

       初始化子模块集合

       理解这些设置对于高效初始化模块至关重要，避免了默认属性设置的冗余和潜在的性能影响。

       训练与测试模式（train/val）

       nn.Module 通过 self.training 属性区分训练和测试模式，影响模块在不同状态下的行为。使用 model.train() 和 model.eval() 设置，可使模块在训练或测试时表现不同，如控制 Batch Normalization 和 Dropout 的行为。

       梯度管理

       requires_grad_ 和 zero_grad 函数管理梯度，用于训练和微调模型。requires_grad_ 控制参数是否参与梯度计算，zero_grad 清理梯度，释放内存。定制软件源码正确设置这些函数是训练模型的关键。

       参数转换与转移

       通过调用 nn.Module 提供的函数，如 CPU、type、CUDA 等，可以轻松转换模型参数和缓存到不同数据类型和设备上。这些函数通过 self._apply 实现，确保所有模块和子模块的参数和缓存得到统一处理。

       属性增删改查

       模块属性管理通过 add_module、register_parameter 和 register_buffer 等方法实现。这些方法不仅设置属性，还管理属性的生命周期和可见性。直接设置属性会触发 nn.Module 的 __setattr__ 方法。

       常见属性访问

       nn.Module 提供了方便的访问器，如 parameters、buffers、children 和 modules，用于遍历模块中的参数、缓存、子模块等。这些访问器通过迭代器简化了对模块属性的访问。

       前向过程与钩子

       nn.Module 中的前向过程与钩子管理了模块的执行顺序。forward_pre_hooks、forward_hooks 和 backward_hooks 用于在模块的前向和后向计算阶段触发特定操作，实现如内存管理、中间结果保存等高级功能。摩托门户源码

       模型加载与保存

       模型的保存与加载通过 hook 机制实现，确保在不同版本间兼容。使用 state_dict() 和 load_state_dict() 函数实现模型状态的导出和导入，支持模块及其子模块参数的保存与恢复。

       通过深入理解 nn.Module 的设计与实现，可以更高效地构建、优化和管理深度学习模型，实现从概念到应用的无缝过渡。

是什么意思module？

       "Module" 是计算机科学中的一个术语，它用于描述代码中的一种组织形式。一个 module 是一个独立的源代码文件，其中包含一组相关函数和变量的定义。这些函数和变量可以在其他代码文件中使用。通过将代码分解成模块，开发者可以更容易地管理复杂的代码库和构建可维护的软件系统。

       Module 在不同的编程语言中可能有些微的区别。在 Python 中，module 也是一个 .py 文件，它可以包含类、函数、变量和其他对象的定义。这些对象可以通过 import 语句在其他模块中使用。Python 源代码库中已经包含了大量常用的 module，而且开发者也可以自行编写和使用自己的 module。

       Module 还可以用于实现代码的模块化设计。通过将代码分解成独立的opengles 源码下载模块，我们可以更容易地进行并行化开发，并且可以在不同的项目中重用这些模块。大量的开源项目也使用了 module 进行模块化设计，例如 Node.js、React 和 Django 等。

PyTorch 源码分析(一）：torch.nn.Module

       nn.Module是PyTorch中最核心和基础的结构，它是操作符/损失函数的基类，同时也是组成各种网络结构的基类（实际上是由多个module组合而成的一个module）。

       在Python侧，2.1回调函数注册，2.2 module类定义中，有以下几个重点函数：

       重点函数一：将模型的参数移动到CUDA上，内部会遍历其子module。

       重点函数二：将模型的参数移动到CPU上，内部会遍历其子module。

       重点函数三：将模型的参数转化为fp或者fp等，内部会遍历其子module。

       重点函数四：forward函数调用。

       重点函数五：返回该net的所有layer。

       在类图中，PyTorch的算子都是module的子类，包括自定义算子和整网定义。

       在C++侧，3.1 module.to("cuda")详细分析中，本质是将module的parameter&buffer等tensor移动到CUDA上，最终调用的asp调试源码是tensor.to(cuda)。

       3.2 module.load/save逻辑中，PyTorch模型保存分为两种，一种是纯参数，一种是带模型结构（PyTorch中的模型结构，本质上是由module、sub-module构造的一个计算图）。

       parameter、buffer是通过key-value的形式来存储和检索的，key为module的.name，value为存储具体数据的tensor。

       InputArchive/OutputArchive的write和read逻辑。

       通过Module，PyTorch将op/loss/opt等串联起来，类似于一个计算图。基于PyTorch构建的ResNet等模型，是逐个算子进行计算的，tensor在CPU和GPU之间来回流动，而不是整个计算都在GPU上完成（即中间计算结果不出GPU）。实际上，在进行推理时，可以构建一个计算图，让整个计算图的计算都在GPU上完成，不知道是否可行（如果GPU上有一个CPU就可以完成这个操作，不知道tensorrt是否是这样的操作）。

阿里云主机源码编译安装python3常见错误处理

       源码编译安装python3时，可能遇到的常见错误及其解决方法如下：

       在运行应用时，可能遇到如下异常错误：import _ssl报错，ModuleNotFoundError: No module named '_ssl'；从smtplib导入SMTP_SSL报错，ImportError: cannot import name 'SMTP_SSL' from 'smtplib'；使用sqlite3数据库报错，django.db.utils.NotSupportedError: deterministic=True requires SQLite 3.8.3 or higher。

       上述错误发生的原因通常是系统内置的软件工具版本与python解释器依赖的版本不匹配。例如，openssl1.0.2版本可能是阿里云主机默认安装的版本，而python3.可能要求更高的openssl版本。sqlite3数据库报错信息也明确指出内置的sqlite3版本不符合python3.的版本要求。

       在python版本无法降级的情况下，解决这些问题的办法是升级对应工具的版本。但需要注意的是，升级后必须重新编译安装python3，否则问题仍然存在。接下来将详细介绍openssl升级、sqlite3升级、源码编译安装python3的步骤以及重新编译python3所需的清理命令。

       具体步骤如下：

       升级openssl版本：选择与python3.版本匹配的openssl1.1.1。

       升级sqlite3版本：以sqlite3..3版本为例介绍升级步骤。

       重新编译清理命令：假设python3源码包解压后存放在Python-3..0目录中，编译安装路径为/usr/local/python3.（路径根据实际情况调整）。重新编译安装清理操作命令如下：

       具体源码编译python3.步骤如下：

Pytorch源码剖析：nn.Module功能介绍及实现原理

       nn.Module作为Pytorch的核心类，是构建模型的基础。它提供了一系列功能，包括记录模型的参数，实现网络的前向传播，加载和保存模型数据，以及进行设备和数据类型转换等。这些功能在模型的训练和应用中起到关键作用。

       在训练与评估模式间切换，模块的行为会有所不同，如rrelu、dropout、batchnorm等操作在两种模式下表现不同。可学习的参数，如权重和偏置，需要通过梯度下降进行更新。非学习参数，比如batchnorm的running_mean，是训练过程中的统计结果。_buffers包含的Tensor不作为模型的一部分保存。

       模块内部包含一系列钩子（hook）函数，用于在特定的前向传播或反向传播阶段执行自定义操作。子模块列表用于存储模型中的所有子模块。

       魔术函数__init__在声明对象时自动调用，优化性能的关键在于使用super().__setattr__而非直接赋值。super调用父类的方法，避免不必要的检查，提高效率。使用register_buffer为模块注册可变的中间结果，例如BatchNorm的running_mean。register_parameter用于注册需要梯度下降更新的参数。

       递归应用函数用于对模型进行操作，如参数初始化。可以将模型移动到指定设备，转换数据类型，以及注册钩子函数以实现对网络的扩展和修改。

       调用魔术方法__call__执行前向传播。nn.Module未实现forward函数，子类需要提供此方法的具体实现。对于线性层等，forward函数定义了特定的运算流程。从检查点加载参数时，模块自动处理兼容性问题，确保模型结构与参数值的兼容。

       模块的__setattr__方法被重写，以区别对待Parameter、Module和Buffer。当尝试设置这些特定类型的属性时，执行注册或更新操作。其他属性的设置遵循标准的Python行为。

       模块的save方法用于保存模型参数和状态，确保模型结构和参数值在不同设备间转移时的一致性。改变训练状态（如将模型切换到训练或评估模式）是模块管理过程的重要组成部分。

Linux内核中的Module.symvers文件揭秘

       在Linux内核开发过程中，常会遇到编译出错提示缺少"Module.symvers"文件的问题。该文件在内核模块的编译流程中扮演关键角色。在传统的C项目中，函数默认为强符号，可在不同文件间直接调用。但Linux内核编译要求函数在其他文件调用前需通过"EXPORT_SYMBOL"导出。每个导出符号都在各自目录下的"Module.symvers"文件中记录，内核编译时汇总这些符号供模块间调用。反之，若模块需提供符号供其他模块调用，同样生成与之对应的"Module.symvers"文件。

       以Linux-5..4内核为例，解释"Module.symvers"文件的作用。编译内核时，执行Makefile中的"modules"目标，触发"scripts/Makefile.modpost"文件。此文件执行后进入"__modpost"规则，执行"scripts/Makefile.modfinal"文件，收集所有模块信息。每个模块路径信息存于"modules.order"文件中。在"scripts/Makefile.modfinal"文件中定义了各模块的编译规则。

       Linux内核模块编译流程可概述为以下步骤：

       步骤：初始化编译环境

       步骤：解析模块依赖关系

       步骤：生成模块相关信息

       步骤：链接模块，生成最终文件

       以"hello.ko"为例，此模块由"hello.o"、"hello.mod.o"链接生成。编译过程中的关键变量包括"KBUILD_EXTMOD"，用于指定模块位置，外部编译时由命令行参数"M"指定，内核源码编译时则为空。若模块依赖外部模块，需通过"KBUILD_EXTMOD"指定依赖模块的"Module.symvers"文件，否则会导致编译错误。

       总结：Linux内核中，模块编译需依赖生成的"Module.symvers"文件，此文件记录了通过"EXPORT_SYMBOL"导出的全局符号。同样，若外部模块需为内核其他模块提供函数接口，也会生成"Module.symvers"文件。编译时需指定文件位置以调用接口。理解这一原理后，面对编译错误时，应先确保已生成对应"Module.symvers"文件，特别是外部编译的模块，在内核源码外编译时，需先编译内核生成文件，方可避免错误。