快捷方式

torch.autograd.functional.vjp

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

计算向量 v 与给定函数在输入给定点处的雅可比矩阵之间的点积。

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。

  • inputs (元组张量张量) – 函数 func 的输入。

  • v (元组张量张量) – 计算向量雅可比积的向量。必须与 func 的输出大小相同。当 func 的输出包含单个元素且(如果未提供)时,此参数是可选的,并将设置为包含单个 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,则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。如果为 False,我们将返回一个零张量作为所述输入的 vjp,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

vjp (张量元组或张量):点积的结果,其形状与输入相同。

返回类型

output (元组)

示例

>>> def exp_reducer(x):
...     return x.exp().sum(dim=1)
>>> inputs = torch.rand(4, 4)
>>> v = torch.ones(4)
>>> vjp(exp_reducer, inputs, v)
(tensor([5.7817, 7.2458, 5.7830, 6.7782]),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]]))
>>> vjp(exp_reducer, inputs, v, create_graph=True)
(tensor([5.7817, 7.2458, 5.7830, 6.7782], grad_fn=<SumBackward1>),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]], grad_fn=<MulBackward0>))
>>> def adder(x, y):
...     return 2 * x + 3 * y
>>> inputs = (torch.rand(2), torch.rand(2))
>>> v = torch.ones(2)
>>> vjp(adder, inputs, v)
(tensor([2.4225, 2.3340]),
 (tensor([2., 2.]), tensor([3., 3.])))

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源