torch.autograd.functional.jvp

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

计算给定函数在输入点处的雅可比矩阵与向量 v 的点积。

参数:

• func (函数) – 一个接受 Tensor 输入并返回一个 Tensor 或 Tensor 元组的 Python 函数。

• 输入（Tensors 的元组或 Tensor）- 函数 func 的输入。

• v（Tensors 的元组或 Tensor）- 计算雅可比向量积的向量。必须与 func 的输入大小相同。当 func 的输入包含单个元素时，此参数是可选的，并且（如果未提供）将设置为包含单个 1 的 Tensor。。

• create_graph（bool，可选）- 如果 True ，输出和结果将以可微分的方式进行计算。请注意，当 strict 是 False 时，结果不能需要梯度或与输入断开连接。默认为 False 。

• strict（bool，可选）- 如果 True ，当我们检测到存在一个输入，所有输出都与它无关时，将引发错误。如果 False ，我们返回一个全零的 Tensor 作为该输入的 jvp，这是预期的数学值。默认为 False 。

返回值:

带有：

func_output（Tensors 或 Tensor 的元组）： func(inputs) 的输出

jvp（Tensors 或 Tensor 的元组）：与输出形状相同的点积结果。

返回类型:

输出（元组）

注意

使用反向的逆向（有时称为双重反向技巧）来计算 jvp。这不是计算 jvp 的最高效方法。请考虑使用 torch.func.jvp() 或低级前向模式 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.]))