BackwardCFunction

class torch.autograd.function.BackwardCFunction

此类用于内部自动梯度工作。请勿使用。

apply(*args)

在反向传播过程中执行此节点时使用的应用方法

apply_jvp(*args)

在正向传播过程中执行前向模式自动微分时使用的应用方法

mark_dirty(*args)

将给定的张量标记为在原地操作中被修改。

这应该最多调用一次，仅在 forward() 方法内部调用，并且所有参数都应该是输入。

在调用 forward() 时，每个被就地修改的张量都应该传递给此函数，以确保我们检查的正确性。 无论是在修改之前还是之后调用此函数，都没有关系。

Examples::

>>> class Inplace(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         x_npy = x.numpy() # x_npy 与 x 共享存储
>>>         x_npy += 1
>>>         ctx.mark_dirty(x)
>>>         return x
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_output):
>>>         return grad_output
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double).clone()
>>> b = a * a
>>> Inplace.apply(a)  # 这会导致错误的梯度！
>>>                   # 但引擎不会知道，除非我们 mark_dirty
>>> b.backward() # RuntimeError: 梯度计算所需的变量之一已被就地操作修改
>>>              # 计算已被就地操作修改

mark_non_differentiable(*args)

将输出标记为不可微分。

这最多只能调用一次，仅在 forward() 方法内部调用，并且所有参数都应该是张量输出。

这将标记输出为不需要梯度，从而提高反向传播计算的效率。你仍然需要在 backward() 中接受每个输出的梯度，但它总是一个与相应输出形状相同的零张量。

This is used e.g. for indices returned from a sort. See example::

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         sorted, idx = x.sort()
>>>         ctx.mark_non_differentiable(idx)
>>>         ctx.save_for_backward(x, idx)
>>>         return sorted, idx
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):  # 仍然需要接受 g2
>>>         x, idx = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         grad_input.index_add_(0, idx, g1)
>>>         return grad_input

save_for_backward(*tensors)

保存给定的张量以供将来调用 backward()。

save_for_backward 最多只能调用一次，只能在 forward() 方法内部调用，并且只能使用张量。

所有打算在反向传播中使用的张量都应该使用save_for_backward保存（而不是直接保存在ctx上），以防止梯度计算错误和内存泄漏，并启用保存张量钩子的应用。请参阅torch.autograd.graph.saved_tensors_hooks。

请注意，如果保存了中间张量（即既不是输入也不是 forward() 输出的张量）用于反向传播，您的自定义函数可能不支持双重反向传播。 不支持双重反向传播的自定义函数应在其 backward() 方法上使用 @once_differentiable 装饰器，以便在执行双重反向传播时引发错误。如果您希望支持双重反向传播，您可以在反向传播期间根据输入重新计算中间变量，或者将中间变量作为自定义函数的输出返回。有关更多详细信息，请参阅 双重反向传播教程。

在 backward() 中，可以通过 saved_tensors 属性访问保存的张量。在将它们返回给用户之前，会进行检查以确保它们没有在任何就地操作中被修改。

参数也可以是 None。这是一个空操作。

有关如何使用此方法的更多详细信息，请参阅扩展 torch.autograd。

Example::

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         w = x * z
>>>         out = x * y + y * z + w * y
>>>         ctx.save_for_backward(x, y, w, out)
>>>         ctx.z = z  # z 不是一个张量
>>>         return out
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_out):
>>>         x, y, w, out = ctx.saved_tensors
>>>         z = ctx.z
>>>         gx = grad_out * (y + y * z)
>>>         gy = grad_out * (x + z + w)
>>>         gz = None
>>>         return gx, gy, gz
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>> b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>> c = 4
>>> d = Func.apply(a, b, c)

save_for_forward(*tensors)

保存给定的张量以供将来调用 jvp()。

save_for_forward 应该只在 forward() 方法内部调用一次，并且只能与张量一起调用。

在 jvp() 中，可以通过 saved_tensors 属性访问保存的对象。

参数也可以是 None。这是一个空操作。

有关如何使用此方法的更多详细信息，请参阅扩展 torch.autograd。

Example::

>>> class Func(torch.autograd.Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         ctx.save_for_backward(x, y)
>>>         ctx.save_for_forward(x, y)
>>>         ctx.z = z
>>>         return x * y * z
>>>
>>>     @staticmethod
>>>     def jvp(ctx, x_t, y_t, _):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * (y * x_t + x * y_t)
>>>
>>>     @staticmethod
>>>     def vjp(ctx, grad_out):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * grad_out * y, z * grad_out * x, None
>>>
>>>     a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>>     t = torch.tensor(1., dtype=torch.double)
>>>     b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>>     c = 4
>>>
>>>     with fwAD.dual_level():
>>>         a_dual = fwAD.make_dual(a, t)
>>>         d = Func.apply(a_dual, b, c)

set_materialize_grads(value)

设置是否具体化梯度张量。默认是 True。

这应该仅在 forward() 方法内部调用

如果 True，在调用 backward() 和 jvp() 方法之前，未定义的梯度张量将被扩展为全零张量。

Example::

>>> class SimpleFunc(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         return g1 + g2  # 不需要检查None
>>>
>>> # 我们修改SimpleFunc以处理非具体化的梯度输出
>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         ctx.set_materialize_grads(False)
>>>         ctx.save_for_backward(x)
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         x, = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         if g1 is not None:  # 现在我们必须检查None
>>>             grad_input += g1
>>>         if g2 is not None:
>>>             grad_input += g2
>>>         return grad_input
>>>
>>> a = torch.tensor(1., requires_grad=True)
>>> b, _ = Func.apply(a)  # 导致g2未定义