Python PyTorch jvp用法及代碼示例

本文簡要介紹python語言中 torch.autograd.functional.jvp 的用法。

用法:

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

參數：

• func(函數) -一個 Python 函數，它接受張量輸入並返回張量元組或張量。

• inputs(張量元組或者Tensor) -函數 func 的輸入。

• v(張量元組或者Tensor) -計算雅可比向量積的向量。必須與 func 的輸入大小相同。當 func 的輸入包含單個元素並且(如果未提供)將設置為包含單個 1 的張量時，此參數是可選的。

• create_graph(bool,可選的) -如果 True ，輸出和結果都將以可微分的方式計算。請注意，當 strict 為 False 時，結果不能需要梯度或與輸入斷開連接。默認為 False 。

• strict(bool,可選的) -如果 True ，當我們檢測到存在一個輸入使得所有輸出都獨立於它時，將引發錯誤。如果 False ，我們返回一個零張量作為所述輸入的 jvp，這是預期的數學值。默認為 False 。

返回：

元組：

func_output(張量或張量元組)：func(inputs) 的輸出

jvp(Tensors 或 Tensor 的元組)：與輸出形狀相同的點積結果。

返回類型：

輸出(tuple)

計算給定函數在輸入給定點處的雅可比與向量 v 之間的點積的函數。

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 目前是通過使用向後的向後計算(有時稱為雙向後技巧)來計算的，因為我們目前在 PyTorch 中不支持向前模式 AD。