本文简要介绍python语言中 torch.gradient
的用法。
用法:
torch.gradient(input, *, spacing=1, dim=None, edge_order=1) → List of Tensors
input(
Tensor
) -表示函数值的张量spacing(
scalar
,list of scalar
,list of Tensor
, 可选的) -spacing
可用于修改input
张量的索引与样本坐标的关系。如果spacing
是标量,则索引乘以标量以产生坐标。例如,如果spacing=2
索引 (1, 2, 3) 变为坐标 (2, 4, 6)。如果spacing
是标量列表,则相应的索引相乘。例如,如果spacing=(2, -1, 3)
索引 (1, 2, 3) 变为坐标 (2, -2, 9)。最后,如果spacing
是一维张量的列表,则每个张量都指定相应维度的坐标。例如,如果索引为 (1, 2, 3),张量为 (t0, t1, t2),则坐标为 (t0[1], t1[2], t2[3])dim(
int
,list of int
, 可选的) -近似梯度的一个或多个维度。默认情况下,计算每个维度的部分梯度。请注意,当指定dim
时,spacing
参数的元素必须与指定的暗淡对应。”edge_order(
int
, 可选的) -1 或 2,分别用于边界 (“edge”) 值的 first-order 或 second-order 估计。
使用 second-order accurate central differences method 在一维或多维中估计函数 的梯度。
spacing
时,样本完全由input
说明,输入坐标到输出的映射与张量索引到值的映射相同。例如,对于三维input
,所说明的函数是 和 。 的梯度是使用样本估计的。默认情况下,当不指定当指定
spacing
时,它会修改input
与输入坐标之间的关系。这在下面的“Keyword Arguments” 部分中有详细说明。通过独立估计Taylor’s theorem with remainder 估计偏导数的每个内部点的值。让 为内部点, 为与其相邻的点, 处的部分梯度估计使用: 的每个偏导数来估计梯度。如果 在 中(它至少有 3 个连续导数),这个估计是准确的,并且可以通过提供更接近的样本来改进估计。在数学上,使用
其中 是区间 中的一个数字,并使用 我们得出的事实:
注意
我们以相同的方式估计复域 中函数的梯度。
边界点处的每个偏导数的计算方式不同。请参阅下面的edge_order。
例子:
>>> # Estimates the gradient of f(x)=x^2 at points [-2, -1, 2, 4] >>> coordinates = (torch.tensor([-2., -1., 1., 4.]),) >>> values = torch.tensor([4., 1., 1., 16.], ) >>> torch.gradient(values, spacing = coordinates) (tensor([-3., -2., 2., 5.]),) >>> # Estimates the gradient of the R^2 -> R function whose samples are >>> # described by the tensor t. Implicit coordinates are [0, 1] for the outermost >>> # dimension and [0, 1, 2, 3] for the innermost dimension, and function estimates >>> # partial derivative for both dimensions. >>> t = torch.tensor([[1, 2, 4, 8], [10, 20, 40, 80]]) >>> torch.gradient(t) (tensor([[ 9., 18., 36., 72.], [ 9., 18., 36., 72.]]), tensor([[ 1.0000, 1.5000, 3.0000, 4.0000], [10.0000, 15.0000, 30.0000, 40.0000]])) >>> # A scalar value for spacing modifies the relationship between tensor indices >>> # and input coordinates by multiplying the indices to find the >>> # coordinates. For example, below the indices of the innermost >>> # 0, 1, 2, 3 translate to coordinates of [0, 2, 4, 6], and the indices of >>> # the outermost dimension 0, 1 translate to coordinates of [0, 2]. >>> torch.gradient(t, spacing = 2.0) # dim = None (implicitly [0, 1]) (tensor([[ 4.5000, 9.0000, 18.0000, 36.0000], [ 4.5000, 9.0000, 18.0000, 36.0000]]), tensor([[ 0.5000, 0.7500, 1.5000, 2.0000], [ 5.0000, 7.5000, 15.0000, 20.0000]])) >>> # doubling the spacing between samples halves the estimated partial gradients. >>> >>> # Estimates only the partial derivative for dimension 1 >>> torch.gradient(t, dim = 1) # spacing = None (implicitly 1.) (tensor([[ 1.0000, 1.5000, 3.0000, 4.0000], [10.0000, 15.0000, 30.0000, 40.0000]]),) >>> # When spacing is a list of scalars, the relationship between the tensor >>> # indices and input coordinates changes based on dimension. >>> # For example, below, the indices of the innermost dimension 0, 1, 2, 3 translate >>> # to coordinates of [0, 3, 6, 9], and the indices of the outermost dimension >>> # 0, 1 translate to coordinates of [0, 2]. >>> torch.gradient(t, spacing = [3., 2.]) (tensor([[ 4.5000, 9.0000, 18.0000, 36.0000], [ 4.5000, 9.0000, 18.0000, 36.0000]]), tensor([[ 0.3333, 0.5000, 1.0000, 1.3333], [ 3.3333, 5.0000, 10.0000, 13.3333]])) >>> # The following example is a replication of the previous one with explicit >>> # coordinates. >>> coords = (torch.tensor([0, 2]), torch.tensor([0, 3, 6, 9])) >>> torch.gradient(t, spacing = coords) (tensor([[ 4.5000, 9.0000, 18.0000, 36.0000], [ 4.5000, 9.0000, 18.0000, 36.0000]]), tensor([[ 0.3333, 0.5000, 1.0000, 1.3333], [ 3.3333, 5.0000, 10.0000, 13.3333]]))
参数:
关键字参数:
相关用法
- Python PyTorch greedy_partition用法及代码示例
- Python PyTorch gumbel_softmax用法及代码示例
- Python PyTorch get_tokenizer用法及代码示例
- Python PyTorch gammainc用法及代码示例
- Python PyTorch gammaincc用法及代码示例
- Python PyTorch global_unstructured用法及代码示例
- Python PyTorch gammaln用法及代码示例
- Python PyTorch get_gradients用法及代码示例
- Python PyTorch get_ignored_functions用法及代码示例
- Python PyTorch get_default_dtype用法及代码示例
- Python PyTorch gt用法及代码示例
- Python PyTorch gather用法及代码示例
- Python PyTorch gcd用法及代码示例
- Python PyTorch get_graph_node_names用法及代码示例
- Python PyTorch get_testing_overrides用法及代码示例
- Python PyTorch generate_sp_model用法及代码示例
- Python PyTorch gather_object用法及代码示例
- Python PyTorch ge用法及代码示例
- Python PyTorch frexp用法及代码示例
- Python PyTorch jvp用法及代码示例
- Python PyTorch cholesky用法及代码示例
- Python PyTorch vdot用法及代码示例
- Python PyTorch ELU用法及代码示例
- Python PyTorch ScaledDotProduct.__init__用法及代码示例
- Python PyTorch saved_tensors_hooks用法及代码示例
注:本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.gradient。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。