Python PyTorch vjp用法及代碼示例

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

用法:

torch.autograd.functional.vjp(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) -計算向量雅可比乘積的向量。必須與 func 的輸出大小相同。當 func 的輸出包含單個元素並且(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 vjp，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

vjp(張量或張量的元組)：與輸入形狀相同的點積結果。

返回類型：

輸出(tuple)

計算向量 v 與給定函數在輸入給定點處的雅可比行列式之間的點積的函數。

示例

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