torch.autograd.functional.jvp¶
- torch.autograd.functional.jvp(func, inputs, v=None, create_graph=False, strict=False)[源代码]¶
计算给定函数在输入点处的雅可比矩阵与向量
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张量元组或一个张量。
v (元组 的 张量 或 张量) – 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,并且(如果未提供)将设置为包含单个1
的张量。create_graph (布尔值,可选) – 如果为
True
,则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
,则当我们检测到存在一个输入使得所有输出都与其无关时,将引发错误。如果为False
,则我们返回一个零张量作为该输入的 jvp,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jvp (张量元组或张量):点积的结果,其形状与输出相同。
- 返回类型
output (元组)
注意
autograd.functional.jvp
通过使用反向的反向(有时称为双反向技巧)来计算 jvp。这不是计算 jvp 的最高效方法。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.]))