Table of Contents
Shortcuts

torch.autograd.functional.hvp

torch.autograd.functional.hvp(func, inputs, v=None, create_graph=False, strict=False)[源代码]

计算标量函数的海森矩阵与向量 v 在指定点的点积。

Parameters

  • func (函数) – 一个接受张量输入并返回包含单个元素的张量的Python函数。

  • 输入 (元组 的 张量 或 张量) – 函数的输入 func。

  • v (元组 of 张量 or 张量) – 用于计算Hessian向量积的向量。必须与func的输入大小相同。当func的输入包含单个元素且（如果未提供）将设置为包含单个1的张量时，此参数是可选的。

  • create_graph (bool, 可选) – 如果 True，输出和结果都将以可微分的方式计算。请注意，当 strict 为 False 时，结果不能需要梯度或与输入断开连接。默认为 False。

  • 严格 (布尔值, 可选) – 如果True，当我们检测到存在一个输入，使得所有输出都与它无关时，将引发错误。如果False，我们返回一个零张量作为该输入的hvp，这是预期的数学值。默认为False。

Returns

包含：

func_output（张量元组或张量）：func(inputs)的输出

hvp（张量元组或张量）：与输入形状相同的点积结果。

Return type

输出 (元组)

示例

>>> def pow_reducer(x):
...     return x.pow(3).sum()
>>> inputs = torch.rand(2, 2)
>>> v = torch.ones(2, 2)
>>> hvp(pow_reducer, inputs, v)
(tensor(0.1448),
 tensor([[2.0239, 1.6456],
         [2.4988, 1.4310]]))

>>> hvp(pow_reducer, inputs, v, create_graph=True)
(tensor(0.1448, grad_fn=),
 tensor([[2.0239, 1.6456],
         [2.4988, 1.4310]], grad_fn=))

>>> def pow_adder_reducer(x, y):
...     return (2 * x.pow(2) + 3 * y.pow(2)).sum()
>>> inputs = (torch.rand(2), torch.rand(2))
>>> v = (torch.zeros(2), torch.ones(2))
>>> hvp(pow_adder_reducer, inputs, v)
(tensor(2.3030),
 (tensor([0., 0.]),
  tensor([6., 6.])))

注意

由于反向模式自动微分的限制，此函数比vhp显著更慢。如果你的函数是二次连续可微的，那么 hvp = vhp.t()。因此，如果你知道你的函数满足这个条件，你应该使用 vhp，它在当前实现中要快得多。

优云智算