问题描述
相对于某些参数,假设J
是某个函数f
的雅可比行列式。是否有有效的方法(在PyTorch或Jax中)具有接受两个输入(x1
和x2
)并计算J(x1)*J(x2).transpose()
而无需实例化整个函数的函数内存中有J
个矩阵?
我遇到过类似jvp(f,input,v=vjp(f,input))
之类的东西,但是不太了解它,也不知道我想要什么。
解决方法
在JAX中,可以使用jax.jacfwd
或jax.jacrev
计算完整的jacobian矩阵,也可以使用jax.jvp
和jax.vjp
计算jacobian运算符及其转置。 / p>
例如,假设您有一个看起来像这样的函数Rᴺ → Rᴹ
:
import jax.numpy as jnp
import numpy as np
np.random.seed(1701)
N,M = 10000,5
f_mat = np.array(np.random.rand(M,N))
def f(x):
return jnp.sqrt(f_mat @ x / N)
给出两个向量x1
和x2
,您可以使用jax.jacfwd
import jax
x1 = np.array(np.random.rand(N))
x2 = np.array(np.random.rand(N))
J1 = jax.jacfwd(f)(x1)
J2 = jax.jacfwd(f)(x2)
print(J1 @ J2.T)
# [[3.3123782e-05 2.5001222e-05 2.4946943e-05 2.5180108e-05 2.4940484e-05]
# [2.5084497e-05 3.3233835e-05 2.4956826e-05 2.5108084e-05 2.5048916e-05]
# [2.4969209e-05 2.4896170e-05 3.3232871e-05 2.5006309e-05 2.4947023e-05]
# [2.5102483e-05 2.4947576e-05 2.4906987e-05 3.3327218e-05 2.4958186e-05]
# [2.4981882e-05 2.5007204e-05 2.4966144e-05 2.5076926e-05 3.3595043e-05]]
但是,正如您所注意到的,在计算此5x5结果的过程中,我们实例化了两个5x10,000矩阵。我们如何解决这个问题?
答案在jax.jvp
和jax.vjp
中。对于您的问题,这些具有不直观的呼叫签名,因为它们主要设计用于正向和反向模式自动区分。但是从广义上讲,您可以将它们视为计算向量J @ v
的{{1}}和J.T @ v
的一种方式,而不必实际地显式计算v
。
例如,您可以使用J
来计算jax.jvp
对向量进行运算的效果,而无需实际计算J1
:
J1
类似地,您可以使用J1_op = lambda v: jax.jvp(f,(x1,),(v,))[1]
vN = np.random.rand(N)
np.allclose(J1 @ vN,J1_op(vN))
# True
来计算jax.vjp
在向量上的作用,而无需实际计算J2.T
:
J2
将它们放在一起并在单位矩阵上进行操作,可以为您提供所需要的完整的jacobian矩阵产品:
J2T_op = lambda v: jax.vjp(f,x2)[1](v)[0]
vM = np.random.rand(M)
np.allclose(J2.T @ vM,J2T_op(vM))
# True
随着内存的节省,这种间接方法也比直接方法要快很多,具体取决于所涉及的雅各布人的大小:
def direct(f,x1,x2):
J1 = jax.jacfwd(f)(x1)
J2 = jax.jacfwd(f)(x2)
return J1 @ J2.T
def indirect(f,x2,M):
J1J2T_op = lambda v: jax.jvp(f,jax.vjp(f,x2)[1](v))[1]
return jax.vmap(J1J2T_op)(jnp.eye(M)).T
np.allclose(direct(f,x2),indirect(f,M))
# True