torch.autograd.functional.vjp

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

Функция, вычисляющая скалярное произведение вектора v и якобиана заданной функции в точке, заданной входными данными.

Параметры:

• func (функция) – функция Python, которая принимает тензорные входные данные и возвращает кортеж тензоров или тензор.
• inputs (кортеж тензоров или Tensor) – входные данные функции func.
• v (кортеж тензоров или Tensor) – вектор, для которого вычисляется векторно-якобианное произведение. Размер должен быть таким же, как у выходных данных func. Этот аргумент необязателен, когда выходные данные func содержат один элемент, и (если он не предоставлен) будет установлен как тензор, содержащий один 1.
• create_graph (bool, необязательно) – Если True, как выходные данные, так и результат будут вычислены дифференцируемым образом. Обратите внимание, что когда strict является False, результат не может требовать градиентов или быть отключён от входных данных. По умолчанию False.
• strict (bool, необязательно) – Если True, будет выведено сообщение об ошибке, когда мы обнаружим, что существует входной параметр, такой, что все выходные данные независимы от него. Если False, мы вернём тензор нулей в качестве vjp для указанных входных данных, что является ожидаемым математическим значением. По умолчанию False.

Возвращает:

кортеж с:

func_output (кортеж тензоров или тензор): результат func(inputs)

vjp (кортеж тензоров или тензор): результат скалярного произведения с такими же размерами, как у входных данных.

Тип возвращаемого значения:

выход (кортеж)

Пример

>>> 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.])))