mindspore.jacfwd

mindspore.jacfwd(fn, grad_position=0, has_aux=False)

通过前向模式计算给定网络的Jacobian矩阵，对应 前向模式自动微分。当网络输出数量远大于输入数量时，使用前向模式求Jacobian矩阵比反向模式性能更好。

参数：

• fn (Union[Cell, Function]) - 待求导的函数或网络。以Tensor为入参，返回Tensor或Tensor数组。

• grad_position (Union[int, tuple[int]], 可选) - 指定求导输入位置的索引。若为int类型，表示对单个输入求导；若为tuple类型，表示对tuple内索引的位置求导，其中索引从0开始。默认值： 0 。

• has_aux (bool, 可选) - 若 has_aux 为 True ，只有 fn 的第一个输出参与 fn 的求导，其他输出将直接返回。此时， fn 的输出数量必须超过一个。默认值： False 。

返回：

Function，用于计算给定函数的Jacobian矩阵。例如 out1, out2 = fn(*args) ，若 has_aux 为 True ，梯度函数将返回 (Jacobian, out2) 形式的结果，其中 out2 不参与求导，若为 False ，将直接返回 Jacobian 。

异常：

• TypeError - grad_position 或 has_aux 类型不符合要求。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import jacfwd
>>> from mindspore import Tensor
>>> class MultipleInputsMultipleOutputsNet(nn.Cell):
...     def construct(self, x, y, z):
...         return x ** 2 + y ** 2 + z ** 2, x * y * z
>>> x = Tensor(np.array([[1, 2], [3, 4]]).astype(np.float32))
>>> y = Tensor(np.array([[1, 2], [3, 4]]).astype(np.float32))
>>> z = Tensor(np.array([[1, 1], [1, 1]]).astype(np.float32))
>>> net = MultipleInputsMultipleOutputsNet()
>>> jac, aux = jacfwd(net, grad_position=0, has_aux=True)(x, y, z)
>>> print(jac)
[[[[ 2.  0.]
   [ 0.  0.]]
  [[ 0.  4.]
   [ 0.  0.]]]
 [[[ 0.  0.]
   [ 6.  0.]]
  [[ 0.  0.]
   [ 0.  8.]]]]
>>> print(aux)
[[ 1.  4.]
 [ 9. 16.]]