Python PyTorch jvp用法及代码示例

本文简要介绍python语言中 torch.autograd.functional.jvp 的用法。

用法:

torch.autograd.functional.jvp(func, inputs, v=None, create_graph=False, strict=False)

参数：

• func(函数) -一个 Python 函数，它接受张量输入并返回张量元组或张量。

• inputs(张量元组或者Tensor) -函数 func 的输入。

• v(张量元组或者Tensor) -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并且(如果未提供)将设置为包含单个 1 的张量时，此参数是可选的。

• create_graph(bool,可选的) -如果 True ，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(bool,可选的) -如果 True ，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 False ，我们返回一个零张量作为所述输入的 jvp，这是预期的数学值。默认为 False 。

返回：

元组：

func_output(张量或张量元组)：func(inputs) 的输出

jvp(Tensors 或 Tensor 的元组)：与输出形状相同的点积结果。

返回类型：

输出(tuple)

计算给定函数在输入给定点处的雅可比与向量 v 之间的点积的函数。

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.]))

注意

jvp 目前是通过使用向后的向后计算(有时称为双向后技巧)来计算的，因为我们目前在 PyTorch 中不支持向前模式 AD。