快捷方式

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。

  • inputs (Tensor 元组Tensor) – func 函数的输入。

  • v (Tensor 元组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 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()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.]))

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获取问题解答

查看资源