torch.autograd.functional.jvp

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

計算給定函式在輸入點處雅可比矩陣與向量 v 的點積。

引數

• func (function) – 一個 Python 函式，接受 Tensor 輸入並返回一個 Tensor 元組或一個 Tensor。

• inputs (tuple of Tensors 或 Tensor) – 函式 func 的輸入。

• v (tuple of Tensors 或 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時，此引數是可選的，(如果未提供) 將被設定為包含單個 1 的 Tensor。

• create_graph (bool, 可選) – 如果為 True，則輸出和結果都將以可微分的方式計算。請注意，當 strict 為 False 時，結果不能要求梯度或與輸入斷開連線。預設為 False。

• strict (bool, optional) – 如果為 True，當檢測到存在某個輸入使得所有輸出都與其無關時，將引發錯誤。如果為 False，我們將為該輸入返回一個零 Tensor 作為 jvp，這是預期的數學值。預設為 False。

返回

包含以下內容的元組

func_output (tuple of Tensors or Tensor): func(inputs) 的輸出

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

返回型別

output (tuple)

注意

autograd.functional.jvp 透過使用 backward 的 backward (有時稱為雙 backward 技巧) 來計算 jvp。這不是計算 jvp 的最有效方法。請考慮改用 torch.func.jvp() 或 低階前向模式 AD API。

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.]))