雅可比矩阵、Hessian 矩阵、hvp、vhp 等：函数变换的组合

计算雅可比矩阵或 Hessian 矩阵在许多非传统深度学习模型中很有用。使用 PyTorch 的常规自动微分 API（Tensor.backward()、torch.autograd.grad）来有效地计算这些量很困难（或很麻烦）。PyTorch 的 受 JAX 启发 的 函数变换 API 提供了有效计算各种高阶自动微分量的方法。

注意

本教程需要 PyTorch 2.0.0 或更高版本。

计算雅可比矩阵

import torch
import torch.nn.functional as F
from functools import partial
_ = torch.manual_seed(0)

让我们从一个想要计算雅可比矩阵的函数开始。这是一个具有非线性激活的简单线性函数。

def predict(weight, bias, x):
    return F.linear(x, weight, bias).tanh()

让我们添加一些虚拟数据：权重、偏差和特征向量 x。

D = 16
weight = torch.randn(D, D)
bias = torch.randn(D)
x = torch.randn(D)  # feature vector

让我们将 predict 视为一个将输入 x 从 \(R^D \to R^D\) 映射的函数。PyTorch Autograd 计算向量-雅可比矩阵积。为了计算此 \(R^D \to R^D\) 函数的完整雅可比矩阵，我们将不得不每次使用不同的单位向量逐行计算它。

def compute_jac(xp):
    jacobian_rows = [torch.autograd.grad(predict(weight, bias, xp), xp, vec)[0]
                     for vec in unit_vectors]
    return torch.stack(jacobian_rows)

xp = x.clone().requires_grad_()
unit_vectors = torch.eye(D)

jacobian = compute_jac(xp)

print(jacobian.shape)
print(jacobian[0])  # show first row

torch.Size([16, 16])
tensor([-0.5956, -0.6096, -0.1326, -0.2295,  0.4490,  0.3661, -0.1672, -1.1190,
         0.1705, -0.6683,  0.1851,  0.1630,  0.0634,  0.6547,  0.5908, -0.1308])

与其逐行计算雅可比矩阵，我们可以使用 PyTorch 的 torch.vmap 函数变换来消除 for 循环并向量化计算。我们不能直接将 vmap 应用于 torch.autograd.grad；相反，PyTorch 提供了一个 torch.func.vjp 变换，它与 torch.vmap 组合。

from torch.func import vmap, vjp

_, vjp_fn = vjp(partial(predict, weight, bias), x)

ft_jacobian, = vmap(vjp_fn)(unit_vectors)

# let's confirm both methods compute the same result
assert torch.allclose(ft_jacobian, jacobian)

在后续教程中，反向模式自动微分 (AD) 和 vmap 的组合将为我们提供每个样本的梯度。在本教程中，反向模式 AD 和 vmap 的组合为我们提供了雅可比矩阵计算！vmap 和自动微分变换的各种组合可以为我们提供不同的有趣量。

PyTorch 提供了 torch.func.jacrev 作为便利函数，它执行 vmap-vjp 组合来计算雅可比矩阵。jacrev 接受一个 argnums 参数，该参数表示我们希望针对哪个参数计算雅可比矩阵。

from torch.func import jacrev

ft_jacobian = jacrev(predict, argnums=2)(weight, bias, x)

# Confirm by running the following:
assert torch.allclose(ft_jacobian, jacobian)

让我们比较两种计算雅可比矩阵的方法的性能。函数转换版本的速度快得多（并且随着输出数量的增加而变得更快）。

通常，我们预计通过 vmap 进行向量化可以帮助消除开销并更好地利用您的硬件。

vmap 通过将外循环下推到函数的原始操作中来实现此魔力，从而获得更好的性能。

让我们快速创建一个函数来评估性能并处理微秒和毫秒测量。

def get_perf(first, first_descriptor, second, second_descriptor):
    """takes torch.benchmark objects and compares delta of second vs first."""
    faster = second.times[0]
    slower = first.times[0]
    gain = (slower-faster)/slower
    if gain < 0: gain *=-1
    final_gain = gain*100
    print(f" Performance delta: {final_gain:.4f} percent improvement with {second_descriptor} ")

然后运行性能比较。

from torch.utils.benchmark import Timer

without_vmap = Timer(stmt="compute_jac(xp)", globals=globals())
with_vmap = Timer(stmt="jacrev(predict, argnums=2)(weight, bias, x)", globals=globals())

no_vmap_timer = without_vmap.timeit(500)
with_vmap_timer = with_vmap.timeit(500)

print(no_vmap_timer)
print(with_vmap_timer)

<torch.utils.benchmark.utils.common.Measurement object at 0x7f41b8276ec0>
compute_jac(xp)
  2.72 ms
  1 measurement, 500 runs , 1 thread
<torch.utils.benchmark.utils.common.Measurement object at 0x7f41b09ecbb0>
jacrev(predict, argnums=2)(weight, bias, x)
  691.61 us
  1 measurement, 500 runs , 1 thread

让我们使用我们的 get_perf 函数对上述内容进行相对性能比较。

get_perf(no_vmap_timer, "without vmap",  with_vmap_timer, "vmap")

Performance delta: 74.6171 percent improvement with vmap

此外，可以很容易地将问题反过来，说我们想计算模型参数（权重、偏差）而不是输入的雅可比矩阵。

# note the change in input via ``argnums`` parameters of 0,1 to map to weight and bias
ft_jac_weight, ft_jac_bias = jacrev(predict, argnums=(0, 1))(weight, bias, x)

反向模式雅可比 (jacrev) 与正向模式雅可比 (jacfwd)

我们提供了两个 API 来计算雅可比矩阵：jacrev 和 jacfwd。

• jacrev 使用反向模式 AD。如上所述，它是我们的 vjp 和 vmap 变换的组合。

• jacfwd 使用正向模式 AD。它实现为我们的 jvp 和 vmap 变换的组合。

jacfwd 和 jacrev 可以互相替换，但它们具有不同的性能特征。

作为一个一般的经验法则，如果您正在计算 \(R^N \to R^M\) 函数的雅可比矩阵，并且输出的数量远远大于输入的数量（例如，\(M > N\)），那么 jacfwd 是首选，否则使用 jacrev。此规则有一些例外情况，但以下是一个非严格的论证。

在反向模式 AD 中，我们逐行计算雅可比矩阵，而在正向模式 AD（计算雅可比向量积）中，我们逐列计算它。雅可比矩阵有 M 行和 N 列，因此如果它在某一方面更高或更宽，我们可能更喜欢处理较少行或列的方法。

from torch.func import jacrev, jacfwd

首先，让我们用更多输入比输出进行基准测试。

Din = 32
Dout = 2048
weight = torch.randn(Dout, Din)

bias = torch.randn(Dout)
x = torch.randn(Din)

# remember the general rule about taller vs wider... here we have a taller matrix:
print(weight.shape)

using_fwd = Timer(stmt="jacfwd(predict, argnums=2)(weight, bias, x)", globals=globals())
using_bwd = Timer(stmt="jacrev(predict, argnums=2)(weight, bias, x)", globals=globals())

jacfwd_timing = using_fwd.timeit(500)
jacrev_timing = using_bwd.timeit(500)

print(f'jacfwd time: {jacfwd_timing}')
print(f'jacrev time: {jacrev_timing}')

torch.Size([2048, 32])
jacfwd time: <torch.utils.benchmark.utils.common.Measurement object at 0x7f41386f4070>
jacfwd(predict, argnums=2)(weight, bias, x)
  1.25 ms
  1 measurement, 500 runs , 1 thread
jacrev time: <torch.utils.benchmark.utils.common.Measurement object at 0x7f41b08b1e40>
jacrev(predict, argnums=2)(weight, bias, x)
  11.57 ms
  1 measurement, 500 runs , 1 thread

然后进行相对基准测试。

get_perf(jacfwd_timing, "jacfwd", jacrev_timing, "jacrev", );

Performance delta: 825.6340 percent improvement with jacrev

现在反过来 - 输出 (M) 比输入 (N) 多。

Din = 2048
Dout = 32
weight = torch.randn(Dout, Din)
bias = torch.randn(Dout)
x = torch.randn(Din)

using_fwd = Timer(stmt="jacfwd(predict, argnums=2)(weight, bias, x)", globals=globals())
using_bwd = Timer(stmt="jacrev(predict, argnums=2)(weight, bias, x)", globals=globals())

jacfwd_timing = using_fwd.timeit(500)
jacrev_timing = using_bwd.timeit(500)

print(f'jacfwd time: {jacfwd_timing}')
print(f'jacrev time: {jacrev_timing}')

jacfwd time: <torch.utils.benchmark.utils.common.Measurement object at 0x7f41cfede2c0>
jacfwd(predict, argnums=2)(weight, bias, x)
  6.29 ms
  1 measurement, 500 runs , 1 thread
jacrev time: <torch.utils.benchmark.utils.common.Measurement object at 0x7f41b82772e0>
jacrev(predict, argnums=2)(weight, bias, x)
  813.83 us
  1 measurement, 500 runs , 1 thread

以及相对性能比较。

get_perf(jacrev_timing, "jacrev", jacfwd_timing, "jacfwd")

Performance delta: 672.6125 percent improvement with jacfwd

使用 functorch.hessian 计算 Hessian

我们提供了一个便利的 API 来计算 Hessian：torch.func.hessiani。Hessian 是雅可比矩阵的雅可比矩阵（或偏导数的偏导数，即二阶导数）。

这表明人们只需组合 functorch 雅可比变换即可计算 Hessian。事实上，在幕后，hessian(f) 仅仅是 jacfwd(jacrev(f))。

注意：为了提高性能：根据您的模型，您可能还需要使用 jacfwd(jacfwd(f)) 或 jacrev(jacrev(f)) 来计算 Hessian，利用上面关于更宽与更高矩阵的经验法则。

from torch.func import hessian

# lets reduce the size in order not to overwhelm Colab. Hessians require
# significant memory:
Din = 512
Dout = 32
weight = torch.randn(Dout, Din)
bias = torch.randn(Dout)
x = torch.randn(Din)

hess_api = hessian(predict, argnums=2)(weight, bias, x)
hess_fwdfwd = jacfwd(jacfwd(predict, argnums=2), argnums=2)(weight, bias, x)
hess_revrev = jacrev(jacrev(predict, argnums=2), argnums=2)(weight, bias, x)

让我们验证无论使用 Hessian API 还是使用 jacfwd(jacfwd())，我们是否都得到了相同的结果。

torch.allclose(hess_api, hess_fwdfwd)

True

批量雅可比矩阵和批量 Hessian

在以上示例中，我们一直在使用单个特征向量。在某些情况下，您可能希望针对一批输入获取一批输出的雅可比矩阵。也就是说，给定一个形状为 (B, N) 的输入批次和一个从 \(R^N \to R^M\) 的函数，我们希望得到一个形状为 (B, M, N) 的雅可比矩阵。

最简单的方法是使用 vmap。

batch_size = 64
Din = 31
Dout = 33

weight = torch.randn(Dout, Din)
print(f"weight shape = {weight.shape}")

bias = torch.randn(Dout)

x = torch.randn(batch_size, Din)

compute_batch_jacobian = vmap(jacrev(predict, argnums=2), in_dims=(None, None, 0))
batch_jacobian0 = compute_batch_jacobian(weight, bias, x)

weight shape = torch.Size([33, 31])

如果您有一个从 (B, N) -> (B, M) 的函数，并且确定每个输入都会产生一个独立的输出，那么有时也可以在不使用 vmap 的情况下通过对输出求和然后计算该函数的雅可比矩阵来实现。

def predict_with_output_summed(weight, bias, x):
    return predict(weight, bias, x).sum(0)

batch_jacobian1 = jacrev(predict_with_output_summed, argnums=2)(weight, bias, x).movedim(1, 0)
assert torch.allclose(batch_jacobian0, batch_jacobian1)

如果您有一个从 \(R^N \to R^M\) 的函数，但输入是批处理的，则将 vmap 与 jacrev 组合以计算批量雅可比矩阵。

最后，批量 Hessian 可以类似地计算。最容易想到的是使用 vmap 对 Hessian 计算进行批处理，但在某些情况下，求和技巧也有效。

compute_batch_hessian = vmap(hessian(predict, argnums=2), in_dims=(None, None, 0))

batch_hess = compute_batch_hessian(weight, bias, x)
batch_hess.shape

torch.Size([64, 33, 31, 31])

计算 Hessian 向量积

计算 Hessian 向量积 (hvp) 的朴素方法是具体化完整的 Hessian 并与向量执行点积。我们可以做得更好：事实证明，我们不需要具体化完整的 Hessian 就可以做到这一点。我们将介绍两种（在许多种中）计算 Hessian 向量积的不同策略：- 将反向模式 AD 与反向模式 AD 组合- 将反向模式 AD 与正向模式 AD 组合。

将反向模式 AD 与正向模式 AD 组合（而不是反向模式与反向模式）通常是计算 hvp 更节省内存的方式，因为正向模式 AD 不需要构建 Autograd 图并保存反向的中间结果。

from torch.func import jvp, grad, vjp

def hvp(f, primals, tangents):
  return jvp(grad(f), primals, tangents)[1]

以下是一些示例用法。

def f(x):
  return x.sin().sum()

x = torch.randn(2048)
tangent = torch.randn(2048)

result = hvp(f, (x,), (tangent,))

如果 PyTorch 正向 AD 无法覆盖您的操作，那么我们可以改为将反向模式 AD 与反向模式 AD 组合。

def hvp_revrev(f, primals, tangents):
  _, vjp_fn = vjp(grad(f), *primals)
  return vjp_fn(*tangents)

result_hvp_revrev = hvp_revrev(f, (x,), (tangent,))
assert torch.allclose(result, result_hvp_revrev[0])