BackwardC 函数 ¶

类 torch.autograd.function.BackwardCFunction[source][source] ¶

此类用于内部 autograd 工作。请勿使用。

apply(*args)

在执行此节点时使用的方法

apply_jvp(*args)

在执行前向模式 AD 时使用的方法

mark_dirty(*args)

将给定的张量标记为就地操作已修改。

应在 setup_context() 或 forward() 方法中最多调用一次，并且所有参数应为输入。

在调用 forward() 时就地修改的每个张量都应传递给此函数，以确保检查的正确性。函数是在修改前后调用无关紧要。

示例::

>>> class Inplace(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         x_npy = x.numpy() # x_npy shares storage with x
>>>         x_npy += 1
>>>         ctx.mark_dirty(x)
>>>         return x
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_output):
>>>         return grad_output
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double).clone()
>>> b = a * a
>>> Inplace.apply(a)  # This would lead to wrong gradients!
>>>                   # but the engine would not know unless we mark_dirty
>>> b.backward() # RuntimeError: one of the variables needed for gradient
>>>              # computation has been modified by an inplace operation

mark_non_differentiable(*args)

标记输出为不可微分。

应在 setup_context() 或 forward() 方法中最多调用一次，并且所有参数应为张量输出。

这将标记输出为不需要梯度，从而提高反向计算的效率。您仍然需要在 backward() 中接受每个输出的梯度，但它始终将是一个与相应输出形状相同的零张量。

这通常用于从排序返回的索引。例如，请参阅示例::

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         sorted, idx = x.sort()
>>>         ctx.mark_non_differentiable(idx)
>>>         ctx.save_for_backward(x, idx)
>>>         return sorted, idx
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):  # still need to accept g2
>>>         x, idx = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         grad_input.index_add_(0, idx, g1)
>>>         return grad_input

save_for_backward(*tensors)

保存给定的张量以供未来调用 backward() 。

应最多调用一次，在 setup_context() 或 forward() 方法中，并且仅与张量一起调用。

所有打算在反向传播中使用的张量都应使用 save_for_backward （而不是直接在 ctx 上）保存，以防止梯度错误和内存泄漏，并启用保存的张量钩子。请参阅 torch.autograd.graph.saved_tensors_hooks 。

注意，如果保存了中间张量（既不是 forward() 的输入也不是输出），则您的自定义函数可能不支持双反向。不支持双反向的自定义函数应使用 @once_differentiable 装饰其 backward() 方法，以便在执行双反向时引发错误。如果您想支持双反向，可以基于输入重新计算中间张量，或者将中间张量作为自定义函数的输出返回。有关详细信息，请参阅双反向教程。

在 backward() 中，可以通过 saved_tensors 属性访问保存的张量。在将它们返回给用户之前，会进行检查以确保它们没有被用于任何修改其内容的就地操作。

参数也可以 None 。这是一个空操作。

有关如何使用此方法的详细信息，请参阅扩展 torch.autograd。

示例::

>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         w = x * z
>>>         out = x * y + y * z + w * y
>>>         ctx.save_for_backward(x, y, w, out)
>>>         ctx.z = z  # z is not a tensor
>>>         return out
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, grad_out):
>>>         x, y, w, out = ctx.saved_tensors
>>>         z = ctx.z
>>>         gx = grad_out * (y + y * z)
>>>         gy = grad_out * (x + z + w)
>>>         gz = None
>>>         return gx, gy, gz
>>>
>>> a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>> b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>> c = 4
>>> d = Func.apply(a, b, c)

save_for_forward(*tensors)[源代码] ¶

保存给定的张量以供未来调用 jvp() 。

save_for_forward 应最多只调用一次，在 setup_context() 或 forward() 方法中，并且所有参数应为张量。

在 jvp() 中，保存的对象可以通过 saved_tensors 属性访问。

参数也可以 None 。这是一个空操作。

查看 torch.autograd 的扩展部分以获取此方法的使用详情。

示例::

>>> class Func(torch.autograd.Function):
>>>     @staticmethod
>>>     def forward(ctx, x: torch.Tensor, y: torch.Tensor, z: int):
>>>         ctx.save_for_backward(x, y)
>>>         ctx.save_for_forward(x, y)
>>>         ctx.z = z
>>>         return x * y * z
>>>
>>>     @staticmethod
>>>     def jvp(ctx, x_t, y_t, _):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * (y * x_t + x * y_t)
>>>
>>>     @staticmethod
>>>     def vjp(ctx, grad_out):
>>>         x, y = ctx.saved_tensors
>>>         z = ctx.z
>>>         return z * grad_out * y, z * grad_out * x, None
>>>
>>>     a = torch.tensor(1., requires_grad=True, dtype=torch.double)
>>>     t = torch.tensor(1., dtype=torch.double)
>>>     b = torch.tensor(2., requires_grad=True, dtype=torch.double)
>>>     c = 4
>>>
>>>     with fwAD.dual_level():
>>>         a_dual = fwAD.make_dual(a, t)
>>>         d = Func.apply(a_dual, b, c)

set_materialize_grads(value)

设置是否将梯度张量进行显式化。默认为 True 。

应仅从 setup_context() 或 forward() 方法中调用此方法。

如果 True ，未定义的梯度张量在调用 backward() 和 jvp() 方法之前将被扩展为零张量。

示例::

>>> class SimpleFunc(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         return g1 + g2  # No check for None necessary
>>>
>>> # We modify SimpleFunc to handle non-materialized grad outputs
>>> class Func(Function):
>>>     @staticmethod
>>>     def forward(ctx, x):
>>>         ctx.set_materialize_grads(False)
>>>         ctx.save_for_backward(x)
>>>         return x.clone(), x.clone()
>>>
>>>     @staticmethod
>>>     @once_differentiable
>>>     def backward(ctx, g1, g2):
>>>         x, = ctx.saved_tensors
>>>         grad_input = torch.zeros_like(x)
>>>         if g1 is not None:  # We must check for None now
>>>             grad_input += g1
>>>         if g2 is not None:
>>>             grad_input += g2
>>>         return grad_input
>>>
>>> a = torch.tensor(1., requires_grad=True)
>>> b, _ = Func.apply(a)  # induces g2 to be undefined