Skip to content

连接层转换

本页面记录了连接层的转换工具：

  • DenseConn
  • SparseConn
  • SparseConstrainedConn

实现位于 btorch.models.connection_conversion。

概览

支持两种布局：

  1. base：连接形状为 (N_pre, N_post)
  2. heter：连接形状为 (N_pre, N_post * n_receptor)

支持的受体模式：

  1. neuron
  2. connection

默认情况下，base -> heter 使用不拆分（no-split）语义：每个非零基础边恰好映射到一个受体通道。

稠密转换直接在稠密张量上实现。

API

convert_connection_layer

from btorch.models.connection_conversion import convert_connection_layer

在 base 和 heter 布局之间转换活跃的连接层实例。

常用输入：

  • target_layout："base" 或 "heter"
  • receptor_type_mode：可选；仅在从 neurons 推断 base->heter 分配时需要
  • receptor_type_index：包含 receptor_index 的受体通道表

对于 base -> heter：

  • 默认不拆分：
    • 提供 edge_receptor_assignment，或者
    • 在 neuron 模式下，提供 neurons + receptor_type_col
  • 可选拆分模式：
    • 设置 allow_weight_split=True
    • 提供带有 weight_coeff 的 edge_receptor_weight

convert_connection_layer_from_checkpoint

from btorch.models.connection_conversion import (
    convert_connection_layer_from_checkpoint,
)

从序列化权重（state_dict）以及调用者提供的拓扑结构进行转换。

拓扑结构有意由更高级别的 API 提供：

  • 稀疏源：需要 conn
  • 受限稀疏源：需要 constraint
  • 受限稀疏源：
    • 如果提供了 conn，则它作为初始边权重的权威来源
    • 如果省略 conn，则 state_dict 必须同时提供 initial_weight 和 indices
  • source_class 以类对象（DenseConn、SparseConn 或 SparseConstrainedConn）的形式传递

该函数重建源层，加载 state_dict，然后应用与 convert_connection_layer 相同的转换逻辑。

最小示例

import pandas as pd
from btorch.models.connection_conversion import convert_connection_layer
from btorch.models.linear import SparseConn

layer = SparseConn(conn=conn_base, enforce_dale=False)
layer_heter = convert_connection_layer(
    layer,
    target_layout="heter",
    receptor_type_mode="connection",
    receptor_type_index=pd.DataFrame(
        [(0, "E"), (1, "I")],
        columns=["receptor_index", "receptor_type"],
    ),
    edge_receptor_assignment=edge_receptor_assignment,
)

注意事项

  • 在 allow_weight_split=False 时传递拆分表会引发 ValueError。
  • 对于受限转换，group_policy 控制受体扩展后的组是独立的（"independent"）还是共享的（"shared"）。
  • 有意不支持跨家族的输出覆盖（例如 DenseConn -> 稀疏，或稀疏 -> DenseConn）。