Table of Contents
Shortcuts

torch.autograd.functional.jvp

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

计算给定函数在输入点处的雅可比矩阵与向量v的点积。

Parameters

  • func (函数) – 一个接受张量输入并返回张量元组或单个张量的Python函数。

  • 输入 (元组 的 张量 或 张量) – 函数的输入 func。

  • v (元组 的 张量 或 张量) – 用于计算雅可比向量积的向量。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 (布尔值, 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jvp，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

jvp（张量元组或张量）：与输出形状相同的点积结果。

Return type

输出 (元组)

注意

autograd.functional.jvp 通过使用反向的反向（有时称为双重反向技巧）来计算 jvp。这不是计算 jvp 的最有效方法。请考虑使用 torch.func.jvp() 或 低级前向模式 AD API 代替。

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=),
 tensor([6.3090, 4.6742, 7.9114, 8.2106], grad_fn=))

>>> 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.]))
优云智算