torch.func.jacrev

torch.func.jacrev(func, argnums=0, *, has_aux=False, chunk_size=None, _preallocate_and_copy=False)

使用反向模式自动微分计算 func 相对于 argnum 索引处的参数（们）的雅可比矩阵。

注意

使用 chunk_size=1 等同于使用 for 循环逐行计算雅可比矩阵，即 vmap() 的限制不适用。

参数:

• func (function) – A Python function that takes one or more arguments, one of which must be a Tensor, and returns one or more Tensors

• argnums (int 或 tuple[int, ...]) – 可选，整数或整数元组，指定要对其计算雅可比矩阵的参数。默认值：0。

• has_aux (bool) – 标志，指示 func 返回一个 (output, aux) 元组，其中第一个元素是要微分函数的输出，第二个元素是不参与微分的辅助对象。默认值：False。

• chunk_size (None 或 int) – 如果为 None（默认），则使用最大块大小（等同于对 vjp 执行单个 vmap 以计算雅可比矩阵）。如果为 1，则使用 for 循环逐行计算雅可比矩阵。如果不是 None，则每次计算 chunk_size 行（等同于对 vjp 执行多次 vmap）。如果计算雅可比矩阵时遇到内存问题，请尝试指定一个非 None 的 chunk_size。

返回:

返回一个函数，该函数接受与 func 相同的输入，并返回 func 相对于 argnums 中指定参数的 Jacobian。如果 has_aux 为 True，则返回的函数将返回一个 (jacobian, aux) 元组，其中 jacobian 是 Jacobian，aux 是 func 返回的辅助对象。

返回类型:

Callable[…, Any]

A basic usage with a pointwise, unary operation will give a diagonal array as the Jacobian

>>> from torch.func import jacrev
>>> x = torch.randn(5)
>>> jacobian = jacrev(torch.sin)(x)
>>> expected = torch.diag(torch.cos(x))
>>> assert torch.allclose(jacobian, expected)

If you would like to compute the output of the function as well as the jacobian of the function, use the has_aux flag to return the output as an auxiliary object

>>> from torch.func import jacrev
>>> x = torch.randn(5)
>>>
>>> def f(x):
>>>   return x.sin()
>>>
>>> def g(x):
>>>   result = f(x)
>>>   return result, result
>>>
>>> jacobian_f, f_x = jacrev(g, has_aux=True)(x)
>>> assert torch.allclose(f_x, f(x))

jacrev() 可以与 vmap 组合使用以生成批处理雅可比矩阵

>>> from torch.func import jacrev, vmap
>>> x = torch.randn(64, 5)
>>> jacobian = vmap(jacrev(torch.sin))(x)
>>> assert jacobian.shape == (64, 5, 5)

此外，jacrev() 可以与自身组合使用以生成海森矩阵 (Hessians)

>>> from torch.func import jacrev
>>> def f(x):
>>>   return x.sin().sum()
>>>
>>> x = torch.randn(5)
>>> hessian = jacrev(jacrev(f))(x)
>>> assert torch.allclose(hessian, torch.diag(-x.sin()))

默认情况下，jacrev() 计算相对于第一个输入的雅可比矩阵。但是，可以通过使用 argnums 来计算相对于不同参数的雅可比矩阵。

>>> from torch.func import jacrev
>>> def f(x, y):
>>>   return x + y ** 2
>>>
>>> x, y = torch.randn(5), torch.randn(5)
>>> jacobian = jacrev(f, argnums=1)(x, y)
>>> expected = torch.diag(2 * y)
>>> assert torch.allclose(jacobian, expected)

Additionally, passing a tuple to argnums will compute the Jacobian with respect to multiple arguments

>>> from torch.func import jacrev
>>> def f(x, y):
>>>   return x + y ** 2
>>>
>>> x, y = torch.randn(5), torch.randn(5)
>>> jacobian = jacrev(f, argnums=(0, 1))(x, y)
>>> expectedX = torch.diag(torch.ones_like(x))
>>> expectedY = torch.diag(2 * y)
>>> assert torch.allclose(jacobian[0], expectedX)
>>> assert torch.allclose(jacobian[1], expectedY)

注意

在 PyTorch 中同时使用 torch.no_grad 和 jacrev。情况 1：在函数内部使用 torch.no_grad

>>> def f(x):
>>>     with torch.no_grad():
>>>         c = x ** 2
>>>     return x - c

在这种情况下，jacrev(f)(x) 将遵循内部的 torch.no_grad。

情况 2：在 torch.no_grad 上下文管理器内部使用 jacrev

>>> with torch.no_grad():
>>>     jacrev(f)(x)

在这种情况下，jacrev 将遵循内部的 torch.no_grad，但不会遵循外部的。这是因为 jacrev 是一个“函数变换”：其结果不应依赖于 f 外部的上下文管理器的结果。