BackwardCFunction

class torch.autograd.function.BackwardCFunction

此类用于内部自动微分工作。请勿使用。

apply(*args)

在向后传播期间执行此节点时使用的应用方法

apply_jvp(*args)

在向前传播期间执行前向模式 AD 时使用的应用方法

mark_dirty(*args)

将给定张量标记为在就地操作中已修改。

此函数最多应该调用一次，在 setup_context() 或 forward() 方法中，并且所有参数都应该是输入。

在对 forward() 的调用中，每个已就地修改的张量都应该传递给此函数，以确保我们检查的正确性。无论此函数是在修改之前还是之后调用，都无关紧要。

示例：

>>> class Inplace(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         x_npy = x.numpy() # x_npy shares storage with x
>>>         x_npy += 1
>>>         ctx.mark_dirty(x)
>>>         return x
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_output):
>>>         return grad_output
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double).clone()
>>> b = a * a
>>> Inplace.apply(a)  # This would lead to wrong gradients!
>>>                   # but the engine would not know unless we mark_dirty
>>> b.backward() # RuntimeError: one of the variables needed for gradient
>>>              # computation has been modified by an inplace operation

mark_non_differentiable(*args)

将输出标记为不可微。

此函数最多应该调用一次，在 setup_context() 或 forward() 方法中，并且所有参数都应该是张量输出。

这将标记输出为不需要梯度，从而提高向后传播计算的效率。您仍然需要为每个输出接受一个梯度，在 backward() 中，但它始终是一个与对应输出形状相同的零张量。

例如，它用于从排序中返回的索引。请参阅示例：

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         sorted, idx = x.sort()
>>>         ctx.mark_non_differentiable(idx)
>>>         ctx.save_for_backward(x, idx)
>>>         return sorted, idx
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):  # still need to accept g2
>>>         x, idx = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         grad_input.index_add_(0, idx, g1)
>>>         return grad_input

save_for_backward(*tensors)

将给定张量保存以备将来调用 backward()。

save_for_backward 最多应该调用一次，在 setup_context() 或 forward() 方法中，并且仅使用张量。

所有打算在向后传播过程中使用的张量都应该使用 save_for_backward 保存（而不是直接在 ctx 上保存），以防止不正确的梯度和内存泄漏，并启用保存张量钩子的应用。请参阅 torch.autograd.graph.saved_tensors_hooks.

请注意，如果保存了中间张量（既不是 forward() 的输入也不是输出的张量），以备向后传播使用，则您的自定义函数可能不支持双向传播。不支持双向传播的自定义函数应该使用 @once_differentiable 装饰其 backward() 方法，以便执行双向传播时会引发错误。如果您希望支持双向传播，则可以根据输入在向后传播期间重新计算中间结果，或者将中间结果作为自定义函数的输出返回。有关更多详细信息，请参阅 双向传播教程.

在 backward() 中，可以通过 saved_tensors 属性访问保存的张量。在将它们返回给用户之前，会进行检查以确保它们未在任何修改其内容的就地操作中使用。

参数也可以为 None。这是一个空操作。

有关如何使用此方法的更多详细信息，请参阅 扩展 torch.autograd.

示例：

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         w = x * z
>>>         out = x * y + y * z + w * y
>>>         ctx.save_for_backward(x, y, w, out)
>>>         ctx.z = z  # z is not a tensor
>>>         return out
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_out):
>>>         x, y, w, out = ctx.saved_tensors
>>>         z = ctx.z
>>>         gx = grad_out * (y + y * z)
>>>         gy = grad_out * (x + z + w)
>>>         gz = None
>>>         return gx, gy, gz
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>> b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>> c = 4
>>> d = Func.apply(a, b, c)

save_for_forward(*tensors)

将给定张量保存以备将来调用 jvp()。

save_for_forward 应该最多调用一次，可以在 setup_context() 或 forward() 方法中调用，所有参数都应该是张量。

在 jvp() 中，可以通过 saved_tensors 属性访问保存的对象。

参数也可以为 None。这是一个空操作。

有关如何使用此方法的更多详细信息，请参阅 扩展 torch.autograd.

示例：

>>> class Func(torch.autograd.Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         ctx.save_for_backward(x, y)
>>>         ctx.save_for_forward(x, y)
>>>         ctx.z = z
>>>         return x * y * z
>>>
>>>     @staticmethod
>>>     def jvp(ctx, x_t, y_t, _):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * (y * x_t + x * y_t)
>>>
>>>     @staticmethod
>>>     def vjp(ctx, grad_out):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * grad_out * y, z * grad_out * x, None
>>>
>>>     a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>>     t = torch.tensor(1., dtype=torch.double)
>>>     b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>>     c = 4
>>>
>>>     with fwAD.dual_level():
>>>         a_dual = fwAD.make_dual(a, t)
>>>         d = Func.apply(a_dual, b, c)

set_materialize_grads(value)

设置是否具体化梯度张量。默认值为 True。

这应该只从 setup_context() 或 forward() 方法中调用。

如果为 True，在调用 backward() 和 jvp() 方法之前，未定义的梯度张量将扩展为全为零的张量。

示例：

>>> class SimpleFunc(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         return g1 + g2  # No check for None necessary
>>>
>>> # We modify SimpleFunc to handle non-materialized grad outputs
>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         ctx.set_materialize_grads(False)
>>>         ctx.save_for_backward(x)
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         x, = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         if g1 is not None:  # We must check for None now
>>>             grad_input += g1
>>>         if g2 is not None:
>>>             grad_input += g2
>>>         return grad_input
>>>
>>> a = torch.tensor(1., requires_grad=True)
>>> b, _ = Func.apply(a)  # induces g2 to be undefined