torch.func.jvp

torch.func.jvp(func, primals, tangents, *, strict=False, has_aux=False)

代表雅可比-向量乘积，返回一个元组，其中包含 func(*primals) 的输出和“在 primals 处评估的 func 的雅可比矩阵”乘以 tangents。这也被称为前向模式自动微分。

参数

• func (函数) – 一个 Python 函数，它接受一个或多个参数，其中必须包含一个张量，并返回一个或多个张量

• primals (张量) – func 的位置参数，这些参数必须全部为张量。返回的函数也将计算相对于这些参数的导数

• tangents (张量) – 用于计算雅可比-向量乘积的“向量”。必须与 func 的输入具有相同的结构和大小。

• has_aux (布尔值) – 标志指示 func 返回一个 (output, aux) 元组，其中第一个元素是将要微分的函数的输出，第二个元素是不会被微分的其他辅助对象。默认值：False。

返回值

返回一个 (output, jvp_out) 元组，其中包含在 primals 处评估的 func 的输出和雅可比-向量乘积。如果 has_aux is True，则返回一个 (output, jvp_out, aux) 元组。

注意

您可能会看到此 API 出现“运算符 X 未实现前向模式 AD”的错误。如果是这样，请提交错误报告，我们将优先处理它。

jvp 在您希望计算 R^1 -> R^N 函数的梯度时很有用

>>> from torch.func import jvp
>>> x = torch.randn([])
>>> f = lambda x: x * torch.tensor([1., 2., 3])
>>> value, grad = jvp(f, (x,), (torch.tensor(1.),))
>>> assert torch.allclose(value, f(x))
>>> assert torch.allclose(grad, torch.tensor([1., 2, 3]))

jvp() 可以通过传递每个输入的切线来支持具有多个输入的函数

>>> from torch.func import jvp
>>> x = torch.randn(5)
>>> y = torch.randn(5)
>>> f = lambda x, y: (x * y)
>>> _, output = jvp(f, (x, y), (torch.ones(5), torch.ones(5)))
>>> assert torch.allclose(output, x + y)