torch.autograd.functional.jvp

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

計算給定函數在輸入給定的點上的 Jacobian 矩陣和向量 v 之間的點積。

參數

• func (函數) – 一個 Python 函數，它接受 Tensor 輸入並返回一個 Tensors 的元組或一個 Tensor。

• inputs (Tensors 的元組或Tensor) – 函數 func 的輸入。

• v (Tensors 的元組或Tensor) – 用於計算 Jacobian 向量積的向量。 必須與 func 的輸入大小相同。 當 func 的輸入包含單個元素時，此參數是可選的，並且（如果未提供）將設置為包含單個 1 的 Tensor。

• create_graph (bool, optional) – 如果 True，則輸出和結果都將以可微分的方式計算。 請注意，當 strict 為 False 時，結果可能不需要梯度或與輸入斷開連接。 預設值為 False。

• strict (bool, optional) – 如果 True，當我們檢測到存在一個輸入使得所有輸出都與其無關時，將引發錯誤。 如果 False，我們將返回一個零 Tensor 作為所述輸入的 jvp，這是預期的數學值。 預設值為 False。

返回值

元組，包含

func_output (Tensors 的元組或 Tensor): func(inputs) 的輸出

jvp (Tensors 的元組或 Tensor): 與輸出形狀相同的點積結果。

返回類型

output (tuple)

注意

autograd.functional.jvp 通過使用 backward 的 backward（有時稱為雙重反向技巧）來計算 jvp。 這不是計算 jvp 的最高效方法。 請考慮改用 torch.func.jvp() 或 low-level forward-mode AD API。

範例

>>> 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=<SumBackward1>),
 tensor([6.3090, 4.6742, 7.9114, 8.2106], grad_fn=<SqueezeBackward1>))

>>> 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.]))