torch.autograd.functional.vjp

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

计算向量 v 与给定函数在输入点处的雅可比矩阵的点积。

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。

• inputs (输入，可以是 Tensors 的元组或 Tensor) – 函数 func 的输入。

• v (Tensors 的元组或 Tensor) – 计算向量雅可比积的向量。必须与 func 的输出大小相同。当 func 的输出包含单个元素时，此参数为可选，如果未提供，则将设置为包含单个 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 为 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 vjp，这是预期的数学值。默认为 False 。

返回值:

元组包含：

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

vjp (Tensors 的元组或 Tensor)：与输入形状相同的点积结果。

返回类型:

输出（元组）

示例

>>> def exp_reducer(x):
...     return x.exp().sum(dim=1)
>>> inputs = torch.rand(4, 4)
>>> v = torch.ones(4)
>>> vjp(exp_reducer, inputs, v)
(tensor([5.7817, 7.2458, 5.7830, 6.7782]),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]]))

>>> vjp(exp_reducer, inputs, v, create_graph=True)
(tensor([5.7817, 7.2458, 5.7830, 6.7782], grad_fn=<SumBackward1>),
 tensor([[1.4458, 1.3962, 1.3042, 1.6354],
        [2.1288, 1.0652, 1.5483, 2.5035],
        [2.2046, 1.1292, 1.1432, 1.3059],
        [1.3225, 1.6652, 1.7753, 2.0152]], grad_fn=<MulBackward0>))

>>> def adder(x, y):
...     return 2 * x + 3 * y
>>> inputs = (torch.rand(2), torch.rand(2))
>>> v = torch.ones(2)
>>> vjp(adder, inputs, v)
(tensor([2.4225, 2.3340]),
 (tensor([2., 2.]), tensor([3., 3.])))