Python PyTorch vjp用法及代码示例

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

用法:

torch.autograd.functional.vjp(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) -计算向量雅可比乘积的向量。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 vjp，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

vjp(张量或张量的元组)：与输入形状相同的点积结果。

返回类型：

输出(tuple)

计算向量 v 与给定函数在输入给定点处的雅可比行列式之间的点积的函数。

示例

>>> def exp_reducer(x):
...   return x.exp().sum(dim=1)
>>> inputs = torch.rand(4, 4)
>>> v = torch.ones(4)
>>> 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.])))