快捷方式

torch.autograd.functional.hvp

torch.autograd.functional.hvp(func, inputs, v=None, create_graph=False, strict=False)[源代码]

计算标量函数的海森矩阵与指定点处的向量 v 的点积。

参数
  • func (函数) – 一个 Python 函数,它接受张量输入并返回一个包含单个元素的张量。

  • inputs (元组张量张量) – 函数 func 的输入。

  • v (元组张量张量) – 计算 Hessian 向量积的向量。必须与 func 的输入大小相同。当 func 的输入包含单个元素且(如果未提供)时,此参数是可选的,并将被设置为包含单个 1 的张量。

  • create_graph (布尔值可选) – 如果 True,则输出和结果都将以可微的方式计算。请注意,当 strictFalse 时,结果不能需要梯度或与输入断开连接。默认为 False

  • strict (布尔值可选) – 如果 True,当我们检测到存在一个输入,使得所有输出都独立于它时,将引发错误。如果 False,我们将返回一个全零张量作为所述输入的 hvp,这是预期的数学值。默认为 False

返回值

包含以下内容的元组:

func_output (张量元组或张量):func(inputs) 的输出

hvp (张量元组或张量):点积的结果,形状与输入相同。

返回类型

output (元组)

示例

>>> def pow_reducer(x):
...     return x.pow(3).sum()
>>> inputs = torch.rand(2, 2)
>>> v = torch.ones(2, 2)
>>> hvp(pow_reducer, inputs, v)
(tensor(0.1448),
 tensor([[2.0239, 1.6456],
         [2.4988, 1.4310]]))
>>> hvp(pow_reducer, inputs, v, create_graph=True)
(tensor(0.1448, grad_fn=<SumBackward0>),
 tensor([[2.0239, 1.6456],
         [2.4988, 1.4310]], grad_fn=<MulBackward0>))
>>> def pow_adder_reducer(x, y):
...     return (2 * x.pow(2) + 3 * y.pow(2)).sum()
>>> inputs = (torch.rand(2), torch.rand(2))
>>> v = (torch.zeros(2), torch.ones(2))
>>> hvp(pow_adder_reducer, inputs, v)
(tensor(2.3030),
 (tensor([0., 0.]),
  tensor([6., 6.])))

注意

由于反向模式 AD 约束,此函数明显慢于 vhp。如果您的函数是二次连续可微的,则 hvp = vhp.t()。因此,如果您知道您的函数满足此条件,则应使用 vhp,它在当前实现中速度快得多。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取初学者和高级开发人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源