torch.autograd.functional.vjp¶

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

计算向量 v 与给定函数在输入点处的雅可比矩阵的点积。

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 of 张量 or 张量) – 用于计算向量雅可比积的向量。必须与func的输出大小相同。当func的输出包含单个元素且未提供此参数时，将设置为包含单个1的张量。
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，我们将返回一个零张量作为该输入的vjp，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

vjp（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 exp_reducer(x):
...     return x.exp().sum(dim=1)
>>> inputs = torch.rand(4, 4)
>>> v = torch.ones(4)
>>> vjp(exp_reducer, inputs, v)
(tensor([5.7817, 7.2458, 5.7830, 6.7782]),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]]))

>>> vjp(exp_reducer, inputs, v, create_graph=True)
(tensor([5.7817, 7.2458, 5.7830, 6.7782], grad_fn=),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]], grad_fn=))

>>> def adder(x, y):
...     return 2 * x + 3 * y
>>> inputs = (torch.rand(2), torch.rand(2))
>>> v = torch.ones(2)
>>> vjp(adder, inputs, v)
(tensor([2.4225, 2.3340]),
 (tensor([2., 2.]), tensor([3., 3.])))