torch.autograd.functional.jvp

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

計算給定函式在給定輸入點處的雅可比矩陣與向量 v 的點積。

引數

• func (function) – 一個接受 Tensor 輸入並返回 Tensor 元組或 Tensor 的 Python 函式。

• inputs (Tensor 元組 或 Tensor) – func 函式的輸入。

• v (Tensor 元組 或 Tensor) – 用於計算雅可比向量積的向量。必須與 func 的輸入大小相同。當 func 的輸入包含單個元素時，此引數是可選的 (如果未提供)，將被設定為包含單個 1 的 Tensor。

• create_graph (布林值, 可選) – 如果為 True，輸出和結果都將以可微分的方式計算。請注意，當 strict 為 False 時，結果不能需要梯度或與輸入斷開連線。預設為 False。

• strict (布林值, 可選) – 如果為 True，當我們檢測到存在某個輸入，其所有輸出都與該輸入無關時，將引發錯誤。如果為 False，則對於這些輸入，我們將返回一個零 Tensor 作為 jvp，這是預期的數學值。預設為 False。

返回值

元組，包含

func_output (Tensor 元組 或 Tensor): func(inputs) 的輸出

jvp (Tensor 元組 或 Tensor): 點積的結果，形狀與輸出相同。

返回型別

output (tuple)

注意

autograd.functional.jvp 透過使用反向傳播的反向傳播（有時稱為雙重反向傳播技巧）來計算 jvp。這不是計算 jvp 最高效的方法。請考慮改用 torch.func.jvp() 或低階前向模式 AD API。

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=<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.]))