了解梯度函数中的 JAX argnums 参数

如何解决了解梯度函数中的 JAX argnums 参数

我正在尝试了解 JAX 梯度函数中 argnums 的行为。 假设我有以下功能：

def make_mse(x,t):  
  def mse(w,b): 
    return np.sum(jnp.power(x.dot(w) + b - t,2))/2
  return mse 

我采用以下方式进行渐变：

w_gradient,b_gradient = grad(make_mse(train_data,y),(0,1))(w,b)

argnums= (0,1) 在这种情况下，但它是什么意思？关于哪些变量计算梯度？如果我改用 argnums=0 会有什么不同？ 另外，我可以使用相同的函数来获得 Hessian 矩阵吗？

我查看了有关它的 JAX help 部分，但无法弄清楚

解决方法

当您将多个 argnum 传递给 grad 时，结果是一个返回梯度元组的函数，相当于您分别计算了每个：

def f(x,y):
  return x ** 2 + x * y + y ** 2

df_dxy = grad(f,argnums=(0,1))
df_dx = grad(f,argnums=0)
df_dy = grad(f,argnums=1)

x = 3.0
y = 4.25
assert df_dxy(x,y) == (df_dx(x,y),df_dy(x,y))

如果要计算混合二阶导数，可以通过重复应用梯度来实现：

d2f_dxdy = grad(grad(f,argnums=0),argnums=1)
assert d2f_dxdy(x,y) == 1