使用 autograd.Function 扩展 torch.func

因此，您希望将torch.autograd.Function与torch.func转换（如torch.vmap()、torch.func.grad()等）一起使用。

主要有两个用例

• 您希望调用不包含 PyTorch 操作的代码并使其与函数转换一起工作。也就是说，torch.autograd.Function 的 forward/backward/等调用来自其他系统（如 C++、CUDA、numpy）的函数。

• 您希望指定自定义梯度规则，例如 JAX 的custom_vjp/custom_jvp

PyTorch 将这两个概念都组合到torch.autograd.Function中。

基本用法

本指南假设您熟悉扩展 torch.autograd，其中解释了如何使用torch.autograd.Function。

torch.autograd.Function 可以具有接受 ctx 对象的forward()，也可以具有单独的forward()（不接受ctx）和修改ctx对象的setup_context()静态方法。

只有后者受函数转换支持

• forward() 是执行操作的代码，它不应接受ctx对象。

• setup_context(ctx, inputs, output) 是可以在其中调用ctx上方法的代码。在这里，您应该保存用于反向传播的张量（通过调用ctx.save_for_backward(*tensors)），或保存非张量（通过将它们分配给ctx对象）。

因为setup_context()仅接受inputs和output，所以唯一可以保存的数量是输入或输出中的对象（例如张量）或从中派生的数量（例如Tensor.shape）。如果您希望保存Function.forward()的反向传播的非输入中间激活，那么您需要将其作为forward()的输出返回，以便将其传递给setup_context()。

根据转换，

• 要支持反向模式 AD（torch.func.grad()、torch.func.vjp()），torch.autograd.Function 需要backward()静态方法。

• 要支持torch.vmap()，torch.autograd.Function 需要vmap()静态方法。

• 为了支持 torch.func.jvp()，torch.autograd.Function 需要一个 jvp() 静态方法。

• 为了支持变换的组合（例如 torch.func.jacrev()、torch.func.jacfwd()、torch.func.hessian()）——你可能需要上述方法中的多个。

为了使 torch.autograd.Function 可以与函数变换任意组合，我们建议除了 forward() 和 setup_context() 之外的所有其他静态方法都必须是可变换的：也就是说，它们必须仅由 PyTorch 运算符组成或调用其他 torch.autograd.Function（这可能调用 C++/CUDA/等）。

让我们来看一些常见用例的示例。

示例 1：autograd.Function 调用另一个系统

一个常见的情况是 torch.autograd.Function 的 forward() 和 backward() 方法都调用另一个系统（如 C++、CUDA、NumPy、Triton）。

import torch
import numpy as np

def to_numpy(tensor):
    return tensor.cpu().numpy()

class NumpySort(torch.autograd.Function):
    # Note that forward does not take ctx
    @staticmethod
    def forward(x, dim):
        device = x.device
        x = to_numpy(x)
        ind = np.argsort(x, axis=dim)
        ind_inv = np.argsort(ind, axis=dim)
        result = np.take_along_axis(x, ind, axis=dim)
        # Any intermediates to be saved in backward must be returned as
        # outputs.
        return (
            # The desired output
            torch.tensor(result, device=device),
            # intermediate to save for backward
            torch.tensor(ind, device=device),
            # intermediate to save for backward
            torch.tensor(ind_inv, device=device),
        )

    # setup_context is responsible for calling methods and/or assigning to
    # the ctx object. Please do not do additional compute (e.g. add
    # Tensors together) in setup_context.
    @staticmethod
    def setup_context(ctx, inputs, output):
        x, dim = inputs
        # Note that output is whatever you returned from forward.
        # If you returned multiple values, then output is a Tuple of multiple values.
        # If you returned a single Tensor, then output is a Tensor.
        # If you returned a Tuple with a single Tensor, then output is a
        # Tuple with a single Tensor.
        _, ind, ind_inv = output
        ctx.mark_non_differentiable(ind, ind_inv)
        # Tensors must be saved via ctx.save_for_backward. Please do not
        # assign them directly onto the ctx object.
        ctx.save_for_backward(ind, ind_inv)
        # Non-tensors may be saved by assigning them as attributes on the ctx object.
        ctx.dim = dim

    @staticmethod
    def backward(ctx, grad_output, _0, _1):
        # For the autograd.Function to be arbitrarily composable with function
        # transforms, all staticmethod other than forward and setup_context
        # must be implemented in a "transformable" way; that is, they must
        # only consist of PyTorch operations or autograd.Function.
        #
        # For example, this allows us to do double backwards and/or compute
        # second order gradients.
        #
        # We've written the backward pass of NumpySort in terms of another
        # autograd.Function, NumpyTake.
        ind, ind_inv = ctx.saved_tensors
        return NumpyTake.apply(grad_output, ind_inv, ind, ctx.dim), None

class NumpyTake(torch.autograd.Function):
    @staticmethod
    def forward(x, ind, ind_inv, dim):
        device = x.device
        x = to_numpy(x)
        ind = to_numpy(ind)
        return torch.tensor(np.take_along_axis(x, ind, dim), device=device)

    @staticmethod
    def setup_context(ctx, inputs, output):
        x, ind, ind_inv, dim = inputs
        ctx.save_for_backward(ind, ind_inv)
        ctx.dim = dim

    @staticmethod
    def backward(ctx, grad_output):
        ind, ind_inv = ctx.saved_tensors
        result = NumpyTake.apply(grad_output, ind_inv, ind, ctx.dim)
        return result, None, None, None

现在，为了更容易使用 NumpySort（隐藏我们作为输出返回的中间结果，并允许默认参数和关键字参数），我们创建一个新的函数来调用它。

def numpy_sort(x, dim=-1):
    result, _, _ = NumpySort.apply(x, dim)
    return result

这是一个健全性检查。

x = torch.randn(2, 3)
grad_x = torch.func.grad(lambda x: numpy_sort(x).sum())(x)
assert torch.allclose(grad_x, torch.ones_like(x))

示例 2：autograd.Function 指定自定义梯度规则

另一个常见的情况是使用 PyTorch 操作实现的 torch.autograd.Function。PyTorch 能够自动计算 PyTorch 操作的梯度，但也许我们希望自定义梯度的计算方式。我们可能想要自定义反向传播的原因包括：

• 提高数值稳定性

• 改变反向传播的性能特征

• 改变边缘情况的处理方式（例如 NaN、无穷大）

• 修改梯度（例如梯度裁剪）

这是一个 torch.autograd.Function 的示例，用于函数 y = x ** 3，其中我们改变了性能特征（一些通常在反向传播过程中发生的计算，即计算 dx，发生在正向传播过程中）。

class MyCube(torch.autograd.Function):
    @staticmethod
    def forward(x):
        result = x ** 3
        # In regular PyTorch, if we had just run y = x ** 3, then the backward
        # pass computes dx = 3 * x ** 2. In this autograd.Function, we've done
        # that computation here in the forward pass instead.
        dx = 3 * x ** 2
        return result, dx

    @staticmethod
    def setup_context(ctx, inputs, output):
        x, = inputs
        result, dx = output
        ctx.save_for_backward(x, dx)

    @staticmethod
    def backward(ctx, grad_output, grad_dx):
        x, dx = ctx.saved_tensors
        # In order for the autograd.Function to work with higher-order
        # gradients, we must add the gradient contribution of `dx`.
        result = grad_output * dx + grad_dx * 6 * x
        return result

现在，为了更容易使用 NumpySort（并隐藏我们作为输出返回的中间结果），我们创建一个新的函数来调用它。

def my_cube(x):
    result, _ = MyCube.apply(x)
    return result

这是一个计算二阶梯度的健全性检查。

x = torch.randn([])
ggx = torch.func.grad(torch.func.grad(my_cube))(x)
assert torch.allclose(ggx, 6 * x)

限制和注意事项

警告

请仔细阅读 torch.autograd.Function 与 torch.func 变换的这些限制。我们无法捕获许多这些情况并优雅地报错，因此它们会导致未定义的行为。

请不要在 torch.autograd.Function 的方法中捕获正在被变换、具有 requires_grad=True 或为双张量的张量。完全安全的做法是确保在 torch.autograd.Function 的任何方法内部使用的唯一张量必须直接作为输入传递（或通过 ctx 对象），而不是来自 torch.autograd.Function 的外部。

torch.autograd.Function 不处理 pytree 中的张量（可能包含也可能不包含张量的任意嵌套 Python 数据结构）。为了让这些张量被 autograd 跟踪，它们必须直接作为参数传递给 torch.autograd.Function。这与 jax.{custom_vjp, custom_jvp} 形成对比，后者确实接受 pytree。

请仅使用 save_for_backward() 或 save_for_forward() 来保存张量。请不要将张量或张量集合直接分配到 ctx 对象上——这些张量不会被跟踪。

torch.vmap() 支持

要将 torch.autograd.Function 与 torch.vmap() 一起使用，你必须：

• 提供一个 vmap() 静态方法，告诉我们 torch.autograd.Function 在 torch.vmap() 下的行为。

• 通过设置 generate_vmap_rule=True 让系统自动生成 vmap 规则。

自动生成 vmap 规则

如果你的 torch.autograd.Function 满足以下额外约束，那么我们就可以为它生成一个 vmap 规则。如果它不满足约束或你希望在 vmap 下有自定义行为，请手动定义一个 vmap 静态方法（见下一节）。

警告

我们不容易检查以下约束并优雅地报错。违反约束可能会导致未定义的行为。

• torch.autograd.Function 的 forward()、backward()（如果存在）和 jvp()（如果存在）静态方法必须可以通过 torch.vmap() 进行变换。也就是说，它们必须仅由 PyTorch 操作组成（而不是例如 NumPy 或自定义 CUDA 内核）。

示例

class MyCube(torch.autograd.Function):
    # Set generate_vmap_rule to True to ask PyTorch to automatically generate
    # a vmap rule.
    generate_vmap_rule = True

    @staticmethod
    def forward(x):
        result = x ** 3
        dx = 3 * x ** 2
        return result, dx

    @staticmethod
    def setup_context(ctx, inputs, output):
        x, = inputs
        result, dx = output
        ctx.save_for_backward(x, dx)

    @staticmethod
    def backward(ctx, grad_output, grad_dx):
        x, dx = ctx.saved_tensors
        result = grad_output * dx + grad_dx * 6 * x
        return result

def my_cube(x):
    result, dx = MyCube.apply(x)
    return result

x = torch.randn(3)
result = torch.vmap(my_cube)(x)
assert torch.allclose(result, x ** 3)

定义 vmap 静态方法

如果你的 torch.autograd.Function 调用另一个系统（如 NumPy、C++、CUDA、Triton），那么为了使其能够与 torch.vmap() 或使用它的变换一起工作，你需要手动定义一个 vmap() 静态方法。

根据你想要使用的变换和你的用例，你可能不需要为所有 torch.autograd.Function 添加 vmap() 静态方法。

• 例如，torch.func.jacrev() 对反向传播执行 vmap()。因此，如果你只对使用 torch.func.jacrev() 感兴趣，那么只有 backward() 静态方法需要是可 vmap 的。

我们建议确保所有 torch.autograd.Function 都支持 torch.vmap()，尤其是在编写第三方库并且希望你的 torch.autograd.Function 能够与所有 torch.func() 变换组合兼容的情况下。

从概念上讲，vmap 静态方法负责定义 forward() 在 torch.vmap() 下的行为方式。也就是说，它定义了如何转换 forward() 以使其能够处理具有额外维度（即被 vmap 遍历的维度）的输入。这类似于 torch.vmap() 在 PyTorch 操作中实现的方式：对于每个操作，我们定义一个 vmap 规则（有时也称为“批处理规则”）。

以下是定义 vmap() 静态方法的方法。

• 签名为 vmap(info, in_dims: Tuple[Optional[int]], *args)，其中 *args 与 forward() 的参数相同。

• vmap 静态方法负责定义 forward() 在 torch.vmap() 下的行为方式。也就是说，给定具有额外维度（由 in_dims 指定）的输入，我们如何计算 forward() 的批处理版本？

• 对于 args 中的每个参数，in_dims 都有一个对应的 Optional[int]。如果参数不是张量或未被 vmap 遍历，则为 None；否则，它是一个整数，指定张量的哪个维度正在被 vmap 遍历。

• info 是一个包含其他元数据的集合，这些元数据可能会有所帮助：info.batch_size 指定被 vmap 遍历的维度的尺寸，而 info.randomness 是传递给 torch.vmap() 的 randomness 选项。

• vmap 静态方法的返回值是一个包含 (output, out_dims) 的元组。与 in_dims 类似，out_dims 应该与 output 具有相同的结构，并为每个输出包含一个 out_dim，用于指定输出是否具有 vmap 维度以及它在其中的索引。

示例

def to_numpy(tensor):
    return tensor.cpu().numpy()

class NumpySort(torch.autograd.Function):
    @staticmethod
    def forward(x, dim):
        device = x.device
        x = to_numpy(x)
        ind = np.argsort(x, axis=dim)
        ind_inv = np.argsort(ind, axis=dim)
        result = np.take_along_axis(x, ind, axis=dim)
        return (
            torch.tensor(result, device=device),
            torch.tensor(ind, device=device),
            torch.tensor(ind_inv, device=device),
        )

    @staticmethod
    def setup_context(ctx, inputs, output):
        x, dim = inputs
        _, ind, ind_inv = output
        ctx.mark_non_differentiable(ind, ind_inv)
        ctx.save_for_backward(ind, ind_inv)
        ctx.dim = dim

    @staticmethod
    def backward(ctx, grad_output, _0, _1):
        ind, ind_inv = ctx.saved_tensors
        return NumpyTake.apply(grad_output, ind_inv, ind, ctx.dim), None

    # The signature of the vmap staticmethod is:
    # vmap(info, in_dims: Tuple[Optional[int]], *args)
    # where *args is the same as the arguments to `forward`.
    @staticmethod
    def vmap(info, in_dims, x, dim):
        # For every input (x and dim), in_dims stores an Optional[int]
        # that is:
        # - None if the input is not being vmapped over or if the input
        #   is not a Tensor
        # - an integer if the input is being vmapped over that represents
        #   the index of the dimension being vmapped over.
        x_bdim, _ = in_dims

        # A "vmap rule" is the logic of how to perform the operation given
        # inputs with one additional dimension. In NumpySort, x has an
        # additional dimension (x_bdim). The vmap rule is simply
        # to call NumpySort again but pass it a different `dim`.
        x = x.movedim(x_bdim, 0)
        # Handle negative dims correctly
        dim = dim if dim >= 0 else dim + x.dim() - 1
        result = NumpySort.apply(x, dim + 1)

        # The vmap rule must return a tuple of two things
        # 1. the output. Should be the same amount of things
        #    as returned by the forward().
        # 2. one Optional[int] for each output specifying if each output
        # is being vmapped over, and if so, the index of the
        # dimension being vmapped over.
        #
        # NumpySort.forward returns a Tuple of 3 Tensors. Since we moved the
        # dimension being vmapped over to the front of `x`, that appears at
        # dimension 0 of all outputs.
        # The return is (output, out_dims) -- output is a tuple of 3 Tensors
        # and out_dims is a Tuple of 3 Optional[int]
        return NumpySort.apply(x, dim + 1), (0, 0, 0)

class NumpyTake(torch.autograd.Function):
    @staticmethod
    def forward(x, ind, ind_inv, dim):
        device = x.device
        x = to_numpy(x)
        ind = to_numpy(ind)
        return torch.tensor(np.take_along_axis(x, ind, dim), device=device)

    @staticmethod
    def setup_context(ctx, inputs, output):
        x, ind, ind_inv, dim = inputs
        ctx.save_for_backward(ind, ind_inv)
        ctx.dim = dim

    @staticmethod
    def backward(ctx, grad_output):
        ind, ind_inv = ctx.saved_tensors
        result = NumpyTake.apply(grad_output, ind_inv, ind, ctx.dim)
        return result, None, None, None

    @staticmethod
    def vmap(info, in_dims, x, ind, ind_inv, dim):
        x_bdim, ind_bdim, ind_inv_bdim, _ = in_dims

        # The strategy is: expand {x, ind, ind_inv} to all have the dimension
        # being vmapped over.
        # Then, call back into NumpyTake(expanded_x, expanded_ind, expanded_ind_inv, new_dim).

        # Handle negative dims by wrapping them to be positive
        logical_dim = x.dim() if x_bdim is None else x_bdim - 1
        dim = dim if dim >= 0 else dim + logical_dim

        def maybe_expand_bdim_at_front(x, x_bdim):
            if x_bdim is None:
                return x.expand(info.batch_size, *x.shape)
            return x.movedim(x_bdim, 0)

        # If the Tensor doesn't have the dimension being vmapped over,
        # expand it out. Otherwise, move it to the front of the Tensor
        x = maybe_expand_bdim_at_front(x, x_bdim)
        ind = maybe_expand_bdim_at_front(ind, ind_bdim)
        ind_inv = maybe_expand_bdim_at_front(ind_inv, ind_inv_bdim)

        # The return is a tuple (output, out_dims). Since output is a Tensor,
        # then out_dims is an Optional[int] (instead of being a Tuple).
        return NumpyTake.apply(x, ind, ind_inv, dim + 1), 0

def numpy_sort(x, dim=-1):
    result, _, _ = NumpySort.apply(x, dim)
    return result

x = torch.randn(2, 3)
result = torch.vmap(numpy_sort)(x)
assert torch.allclose(result, numpy_sort(result, 1))

注意

vmap 静态方法应该旨在保持整个 Function 的语义。也就是说，（伪代码）grad(vmap(MyFunc)) 应该可以用 grad(map(MyFunc)) 替换。

如果你的 autograd.Function 在反向传播过程中有任何自定义行为，请记住这一点。

注意

为 PyTorch 能够通过 generate_vmap_rule=True 生成 vmap 规则的 Function 编写自定义 vmap 静态方法是一个合理的用例。如果你希望生成的 vmap 规则不具有你想要的语义，则可能需要这样做。

torch.func.jvp() 支持

为了支持前向模式自动微分，torch.autograd.Function 必须具有一个 jvp() 静态方法。有关详细信息，请参阅 前向模式自动微分。