要在Pytorch中执行backward，我们可以使用一个可选参数y.backward(v)来计算乘以v的雅可比矩阵 x = torch.randn(3, requires_grad=True)y.backward(v)
print(x.grad) 我认为计算雅可比矩阵的成本是相同的，因为计算雅可比矩阵所必需的AD图中的每个节点仍然是<
浏览 27提问于2020-09-10得票数 4
回答已采纳
2回答
我有一个神经网络，它正在计算一个向量u。我想计算关于输入x的一阶和二阶jacobians，即单个元素。 有人知道如何在PyTorch中做到这一点吗？bias=True) (6): Linear(in_features=50, out_features=501, bias=True)) 然后我同时计算
浏览 126提问于2020-11-24得票数 6
1回答
如何计算神经网络输出层二阶导数？
、、、、
( 1)如何计算输出层的二阶导数。由于我在一阶导数，我必须减去输出从期望的输出，并乘以它的输出的导数。但在二阶导数中，我怎么能做到呢？有人能给我解释一下在opencv里怎么做，或者如何用数学解释或任何显示数学的参考资料。提前谢谢。
浏览 0提问于2014-03-29得票数 2
回答已采纳
我目前正在尝试使用方程的"rigid_body_tree.cc“文件计算库卡手臂的雅可比矩阵: Tau = J^T*F，其中Tau是库卡手臂的7个关节力矩，F是笛卡尔作用力和末端执行器处的扭矩，J^T是换位的雅可比矩阵该函数首先计算几何雅可比矩阵，输出6x7矩阵(kuka有7个关节)J.template block<kSpaceDimension, 1>, *it).noalias()
浏览 22提问于2019-11-20得票数 0
回答已采纳
1回答
,yn]，其中每个xi和yj都是d-dimensional向量，我想用i,j个元素[f(xi,yj)]_ij来计算矩阵。我可以通过广播和做一些像f(X.unsqueeze(1),Y)这样的事情在PyTorch中做到这一点。我真正想要计算的是下面的矩阵：[d/dx d/dy f(xi,yj)]_ij，其中我假设每个xi和yi都是标量值。我该如何在PyTorch中做到这一点？我知道，对于单输入函数和一阶导数，我可以这样做(使用PyTorch的autograd.grad)：
浏览 41提问于2021-01-24得票数 0
2回答
我举了一个两个矩阵的点积的例子，我想计算这个点积的雅可比矩阵。第一矩阵的形状为4×3，第二矩阵的形状为2×4。得到的雅可比矩阵的形状应该是(4x3x2x3)，因为我是从第一个矩阵开始计算它的。假设雅可比矩阵的每个元素都是DiDjAkAl，该元素表示i，j输出的偏导数，k，l输入。[5,6],#shape = (2x4)
#shape = (2x3) 所以基本上我的问题是如何找到点积的雅可比
浏览 99提问于2020-04-03得票数 1
回答已采纳
假设我有下面的代码，我想计算L的雅可比矩阵，这是由Pytorch中的神经网络做出的预测，L的大小为nx1，其中n是小批量样本的数量。为了避免L (n个条目)的每个条目的for循环来计算小批量中每个样本的雅可比，我发现一些代码只是将神经网络(L)的n个预测相对于输入求和，然后计算和的梯度。首先，我不能理解为什么pytorch架构中每个样本的梯度和的和是相同的。其次，我同时尝试了sum和for循环，结果出现了分歧。这可能是由于数值近似，还是因为总和没有意义？
浏览 26提问于2020-09-27得票数 2
回答已采纳
1回答
在PyTorch中，有两种计算第二梯度的方法。第一种方法是使用torch.autograd.grad函数，第二种方法是使用backward函数。= torch.pow(x, 2) # y=x**2print(x.grad)
print(x.grad)
在计算第一个梯度时，我使用create_graph=True来确保我们可以使用反向比例方法来计算第二个梯度。
浏览 68提问于2021-05-18得票数 1
如果我们将展开的RNN表示如下如何计算final_state相对于initial_state的雅可比矩阵
浏览 1提问于2018-01-24得票数 0
我想要计算批次中每个样品相对于a的y雅可比矩阵，它的维度是batch_size by output_dim by output_dim。现在，在数学上，当i != j时，雅可比矩阵(dy/da)_{i，j} = -y_i y_j，否则，(dy/da)_{i，i} = y_i (1 - y_i)。我想知道如何计算softmax相对于其在TensorFlow中的输入的雅可比矩阵？我知道tf.gradients将计算标量相对于张量的梯度，所以我认为在Ten
浏览 5提问于2017-01-25得票数 3
回答已采纳
2回答
我正在寻找通过Pytorch获得函数的雅可比矩阵的最有效的方法，到目前为止我已经提出了以下解决方案： # Setup return torch.stack((X.powJacobian(func,X)>>> Output: 0.001 s 由于在第一个解决方案中使用循环与在第二个解决方案中使用循环似乎没有太大区别，所以我想问一下，在pytorch中是否还有更快的方法来计算雅可比。我的另一个问题也是关于什么可能是计算黑森系
浏览 127提问于2019-06-06得票数 5
2回答
我在pytorch中实现了下面的Jacobian函数。除非我弄错了，否则它会计算任何张量的Jacobian。fj = torch.cat(fs, dim=0) return fjtry:
grad = ag.grad(f[tuple(f
浏览 2提问于2018-05-14得票数 12
))
right_foot_contact_force = plant.AddForceElement(plant.GetModelInstanceByName("r_foot")) 然而，我不太确定如何继续获得矩阵我怀疑我将需要使用CalcForceElementsContribution()，但不知道如何利用生成的MultibodyForce来获得矩阵φ。
浏览 31提问于2020-06-28得票数 3
回答已采纳
2回答
实现的关键是计算雅可比矩阵。我花了几个小时研究这个话题，但我不知道如何精确地计算它。
在神经网络方面，F和x是什么？
浏览 0提问于2014-10-01得票数 7
我正在做一个定制的损失函数，它要求我计算一个神经网络中关于它的输入的恒河矩阵的轨迹。
在PyTorch中，我尝试了以下几种方法：d = grad(u, x我是否应该将计算看作是从u映射到R^n到R^n的映射，n是批处理的大小？
任何帮助都是非常感谢的！
浏览 0提问于2022-03-04得票数 1
回答已采纳
我想做的是，在评估成本函数的雅可比矩阵的情况下，分别执行最近网格中心的分配更新。我相信这将允许使用高斯-牛顿算法，并显著提高算法的速度。
浏览 4提问于2011-04-05得票数 2
回答已采纳
2回答
我对自动微分的内部工作原理还很陌生，我读过一些论文和幻灯片，它们指出，使用自动微分可以在线性时间内计算向量雅可比乘积。专门写的：可以对O(N)中的任何e进行计算。雅可比矩阵是N-by-N。我认为它是N^2，但我不完全理解自动微分如何降低时间复杂度。
浏览 14提问于2020-04-28得票数 0
在我以前的中，我发现了如何使用PyTorch的自动梯度和张量：from torch.autograd import gradimporttorch.diagonal(dx, 3, -1), 0)[0] #4th vector>>> 问题是grad只知道如何从标量张量(我的网络输出不是)传播梯度，这就是为什么我必须计算Jacobian。但是，由于我的矩
浏览 5提问于2021-05-10得票数 6
回答已采纳
云服务器
ICP备案
云直播
对象存储
实时音视频
腾讯云开发者
