torch.func.grad

torch.func.grad(func, argnums=0, has_aux=False)

grad 運算元有助於計算 func 相對於由 argnums 指定的輸入(們)的梯度。此運算元可以巢狀以計算高階梯度。

引數

• func (Callable) – 一個接受一個或多個引數的 Python 函式。必須返回一個單元素 Tensor。如果指定了 has_aux 等於 True，則函式可以返回一個單元素 Tensor 和其他輔助物件的元組：(output, aux)。

• argnums (int 或 Tuple[int]) – 指定用於計算梯度的引數。argnums 可以是單個整數或整數元組。預設值：0。

• has_aux (bool) – 指示 func 返回一個張量和其他輔助物件的標誌：(output, aux)。預設值：False。

返回

用於計算相對於其輸入的梯度的函式。預設情況下，函式的輸出是相對於第一個引數的梯度張量。如果指定了 has_aux 等於 True，則會返回梯度和輸出輔助物件的元組。如果 argnums 是一個整數元組，則會返回相對於每個 argnums 值的輸出梯度的元組。

返回型別

Callable

使用 grad 的示例

>>> from torch.func import grad
>>> x = torch.randn([])
>>> cos_x = grad(lambda x: torch.sin(x))(x)
>>> assert torch.allclose(cos_x, x.cos())
>>>
>>> # Second-order gradients
>>> neg_sin_x = grad(grad(lambda x: torch.sin(x)))(x)
>>> assert torch.allclose(neg_sin_x, -x.sin())

當與 vmap 組合使用時，grad 可用於計算每樣本梯度。

>>> from torch.func import grad, vmap
>>> batch_size, feature_size = 3, 5
>>>
>>> def model(weights, feature_vec):
>>> # Very simple linear model with activation
>>>     assert feature_vec.dim() == 1
>>>     return feature_vec.dot(weights).relu()
>>>
>>> def compute_loss(weights, example, target):
>>>     y = model(weights, example)
>>>     return ((y - target) ** 2).mean()  # MSELoss
>>>
>>> weights = torch.randn(feature_size, requires_grad=True)
>>> examples = torch.randn(batch_size, feature_size)
>>> targets = torch.randn(batch_size)
>>> inputs = (weights, examples, targets)
>>> grad_weight_per_example = vmap(grad(compute_loss), in_dims=(None, 0, 0))(
...     *inputs
... )

使用 grad 結合 has_aux 和 argnums 的示例

>>> from torch.func import grad
>>> def my_loss_func(y, y_pred):
>>>    loss_per_sample = (0.5 * y_pred - y) ** 2
>>>    loss = loss_per_sample.mean()
>>>    return loss, (y_pred, loss_per_sample)
>>>
>>> fn = grad(my_loss_func, argnums=(0, 1), has_aux=True)
>>> y_true = torch.rand(4)
>>> y_preds = torch.rand(4, requires_grad=True)
>>> out = fn(y_true, y_preds)
>>> # > output is ((grads w.r.t y_true, grads w.r.t y_preds), (y_pred, loss_per_sample))

注意

將 PyTorch 的 torch.no_grad 與 grad 一起使用。

情況 1：在函式內部使用 torch.no_grad

>>> def f(x):
>>>     with torch.no_grad():
>>>         c = x ** 2
>>>     return x - c

在這種情況下，grad(f)(x) 將尊重內部的 torch.no_grad。

情況 2：在 torch.no_grad 上下文管理器內部使用 grad

>>> with torch.no_grad():
>>>     grad(f)(x)

在這種情況下，grad 將尊重內部的 torch.no_grad，但不會尊重外部的。這是因為 grad 是一個“函式變換”：其結果不應取決於 f 外部的上下文管理器的結果。