torch.func.jvp

torch.func.jvp(func, primals, tangents, *, strict=False, has_aux=False)

代表雅可比向量积，返回一个包含func(*primals)输出和“在primals处评估的func的雅可比矩阵”乘以tangents的元组。这也被称为前向模式自动微分。

Parameters

• func (函数) – 一个Python函数，接受一个或多个参数，其中必须有一个是Tensor，并返回一个或多个Tensor

• 原始值 (张量) – 传递给 func 的位置参数，这些参数必须都是张量。返回的函数也将计算这些参数的导数

• 切线 (张量) – 用于计算雅可比向量积的“向量”。必须与输入到func的结构和大小相同。

• has_aux (bool) – 标志，指示 func 返回一个 (output, aux) 元组，其中第一个元素是 要微分的函数的输出，第二个元素是 不会被微分的其他辅助对象。 默认值：False。

Returns

返回一个 (output, jvp_out) 元组，包含在 primals 处评估的 func 的输出和雅可比向量积。 如果 has_aux is True，则改为返回一个 (output, jvp_out, aux) 元组。

注意

您可能会看到此API错误显示“未为运算符X实现前向模式自动微分”。如果是这样，请提交错误报告，我们将优先处理。

jvp 在你希望计算一个函数 R^1 -> R^N 的梯度时非常有用

>>> from torch.func import jvp
>>> x = torch.randn([])
>>> f = lambda x: x * torch.tensor([1., 2., 3])
>>> value, grad = jvp(f, (x,), (torch.tensor(1.),))
>>> assert torch.allclose(value, f(x))
>>> assert torch.allclose(grad, torch.tensor([1., 2, 3]))

jvp() 可以通过传递每个输入的切线来支持具有多个输入的函数

>>> from torch.func import jvp
>>> x = torch.randn(5)
>>> y = torch.randn(5)
>>> f = lambda x, y: (x * y)
>>> _, output = jvp(f, (x, y), (torch.ones(5), torch.ones(5)))
>>> assert torch.allclose(output, x + y)