torch.autograd.functional.vjp

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

Вычисляет скалярное произведение вектора v на матрицу Якоби заданной функции в точке, заданной аргументами inputs.

Параметры:

• func (function) – функция Python, принимающая на вход тензоры и возвращающая кортеж тензоров или тензор.
• inputs (tuple of Tensors or Tensor) – входные данные функции func.
• v (tuple of Tensors or Tensor) – вектор, для которого вычисляется произведение вектора на матрицу Якоби. Его размер должен совпадать с размером выходных данных func. Этот аргумент необязателен, если выходные данные func содержат один элемент; если аргумент не указан, ему будет присвоен тензор, содержащий одно значение 1.
• create_graph (bool, optional) – Если True, и выходные данные, и результат будут вычислены дифференцируемым способом. Обратите внимание, что если strict имеет значение False, результат не может требовать вычисления градиентов или быть отсоединённым от входных данных. По умолчанию False.
• strict (bool, optional) – Если True, будет вызвана ошибка, если мы обнаружим, что существует входное значение, от которого не зависят все выходные данные. Если False, для таких входных значений мы возвращаем тензор нулей в качестве vjp, что соответствует ожидаемому математическому значению. По умолчанию False.

Возвращает:

кортеж, содержащий:

func_output (кортеж тензоров или тензор): выходные данные func(inputs)

vjp (кортеж тензоров или тензор): результат скалярного произведения с той же формой, что и у входных данных.

Тип возвращаемого значения:

output (tuple)

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.])))