torch.autograd.functional.jvp¶
- torch.autograd.functional.jvp(func, inputs, v=None, create_graph=False, strict=False)[源代码][源代码]¶
计算给定函数在给定输入点处的雅可比矩阵与向量
v
的点积。- 参数
func (function) – 一个接受 Tensor 输入并返回 Tensor 元组或 Tensor 的 Python 函数。
v (Tensor 元组 或 Tensor) – 用于计算雅可比向量积的向量。必须与
func
的输入大小相同。当func
的输入包含单个元素时,此参数是可选的 (如果未提供),将被设置为包含单个1
的 Tensor。create_graph (布尔值, 可选) – 如果为
True
,输出和结果都将以可微分的方式计算。请注意,当strict
为False
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) – 如果为
True
,当我们检测到存在某个输入,其所有输出都与该输入无关时,将引发错误。如果为False
,则对于这些输入,我们将返回一个零 Tensor 作为 jvp,这是预期的数学值。默认为False
。
- 返回值
- 元组,包含
func_output (Tensor 元组 或 Tensor):
func(inputs)
的输出jvp (Tensor 元组 或 Tensor): 点积的结果,形状与输出相同。
- 返回类型
output (tuple)
注意
autograd.functional.jvp
通过使用反向传播的反向传播(有时称为双重反向传播技巧)来计算 jvp。这不是计算 jvp 最高效的方法。请考虑改用torch.func.jvp()
或低级前向模式 AD API。示例
>>> def exp_reducer(x): ... return x.exp().sum(dim=1) >>> inputs = torch.rand(4, 4) >>> v = torch.ones(4, 4) >>> jvp(exp_reducer, inputs, v) (tensor([6.3090, 4.6742, 7.9114, 8.2106]), tensor([6.3090, 4.6742, 7.9114, 8.2106]))
>>> jvp(exp_reducer, inputs, v, create_graph=True) (tensor([6.3090, 4.6742, 7.9114, 8.2106], grad_fn=<SumBackward1>), tensor([6.3090, 4.6742, 7.9114, 8.2106], grad_fn=<SqueezeBackward1>))
>>> def adder(x, y): ... return 2 * x + 3 * y >>> inputs = (torch.rand(2), torch.rand(2)) >>> v = (torch.ones(2), torch.ones(2)) >>> jvp(adder, inputs, v) (tensor([2.2399, 2.5005]), tensor([5., 5.]))