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 (function) – 一个 Python 函数，接受 Tensor 输入并返回一个 Tensor 元组或一个 Tensor。

• inputs (tuple of Tensors 或 Tensor) – 函数func的输入。

• v (tuple of Tensors 或 Tensor) – 用于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（如果未提供），它将被设置为一个包含单个1的Tensor。

• create_graph (bool, optional) – 如果为True，则输出和结果都将在可微的情况下计算。请注意，当strict为False时，结果不能要求梯度或与输入断开连接。默认为False。

• strict (bool, optional) – 如果为True，当检测到存在某个输入使得所有输出都独立于它时，将引发错误。如果为False，则对于此类输入，我们将返回一个零Tensor作为jvp，这在数学上是期望的值。默认为False。

返回

包含以下内容的元组

func_output (tuple of Tensors or Tensor): func(inputs) 的输出

jvp (tuple of Tensors or Tensor): 与输出形状相同的点积结果。

返回类型

output (tuple)

注意

autograd.functional.jvp通过使用后向的后向（有时称为双后向技巧）来计算jvp。这不是计算jvp的最有效方法。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.]))