大家好，我是刘明，明志科技创始人，华为昇思MindSpore布道师。
技术上主攻前端开发、鸿蒙开发和AI算法研究。
努力为大家带来持续的技术分享，如果你也喜欢我的文章，就点个关注吧
黑塞矩阵
在介绍MindSpore提供的计算黑塞矩阵的方法之前，首先对黑塞矩阵进行介绍。
黑塞矩阵可以由梯度操作
∇
\nabla
∇和广度梯度操作
∂
\partial
∂的复合得到，即
∇
∘
∂
:
F
n
1
⟶
F
n
n
⟶
F
n
×
n
n
\nabla \circ \partial: F_{n}^{1} \longrightarrow F_{n}^{n} \longrightarrow F_{n \times n}^{n}
∇∘∂:Fn1⟶Fnn⟶Fn×nn
将该复合操作用于f，得到，
f
⟼
∇
f
⟼
J
∇
f
f \longmapsto \nabla f \longmapsto J_{\nabla f}
f⟼∇f⟼J∇f
可以得到黑塞矩阵，
H
f
=
[
∂
(
∇
1
f
)
∂
x
1
∂
(
∇
1
f
)
∂
x
2
…
∂
(
∇
1
f
)
∂
x
n
∂
(
∇
2
f
)
∂
x
1
∂
(
∇
2
f
)
∂
x
2
…
∂
(
∇
2
f
)
∂
x
n
⋮
⋮
⋱
⋮
∂
(
∇
n
f
)
∂
x
1
∂
(
∇
n
f
)
∂
x
2
…
∂
(
∇
n
f
)
∂
x
n
]
=
[
∂
2
f
∂
x
1
2
∂
2
f
∂
x
2
∂
x
1
…
∂
2
f
∂
x
n
∂
x
1
∂
2
f
∂
x
1
∂
x
2
∂
2
f
∂
x
2
2
…
∂
2
f
∂
x
n
∂
x
2
⋮
⋮
⋱
⋮
∂
2
f
∂
x
1
∂
x
n
∂
2
f
∂
x
2
∂
x
n
…
∂
2
f
∂
x
n
2
]
\begin{split}H_{f} = \begin{bmatrix} \frac{\partial (\nabla _{1}f)}{\partial x_{1}} &\frac{\partial (\nabla _{1}f)}{\partial x_{2}} &\dots &\frac{\partial (\nabla _{1}f)}{\partial x_{n}} \\ \frac{\partial (\nabla _{2}f)}{\partial x_{1}} &\frac{\partial (\nabla _{2}f)}{\partial x_{2}} &\dots &\frac{\partial (\nabla _{2}f)}{\partial x_{n}} \\ \vdots &\vdots &\ddots &\vdots \\ \frac{\partial (\nabla _{n}f)}{\partial x_{1}} &\frac{\partial (\nabla _{n}f)}{\partial x_{2}} &\dots &\frac{\partial (\nabla _{n}f)}{\partial x_{n}} \end{bmatrix} = \begin{bmatrix} \frac{\partial ^2 f}{\partial x_{1}^{2}} &\frac{\partial ^2 f}{\partial x_{2} \partial x_{1}} &\dots &\frac{\partial ^2 f}{\partial x_{n} \partial x_{1}} \\ \frac{\partial ^2 f}{\partial x_{1} \partial x_{2}} &\frac{\partial ^2 f}{\partial x_{2}^{2}} &\dots &\frac{\partial ^2 f}{\partial x_{n} \partial x_{2}} \\ \vdots &\vdots &\ddots &\vdots \\ \frac{\partial ^2 f}{\partial x_{1} \partial x_{n}} &\frac{\partial ^2 f}{\partial x_{2} \partial x_{n}} &\dots &\frac{\partial ^2 f}{\partial x_{n}^{2}} \end{bmatrix}\end{split}
Hf=
∂x1∂(∇1f)∂x1∂(∇2f)⋮∂x1∂(∇nf)∂x2∂(∇1f)∂x2∂(∇2f)⋮∂x2∂(∇nf)……⋱…∂xn∂(∇1f)∂xn∂(∇2f)⋮∂xn∂(∇nf)
=
∂x12∂2f∂x1∂x2∂2f⋮∂x1∂xn∂2f∂x2∂x1∂2f∂x22∂2f⋮∂x2∂xn∂2f……⋱…∂xn∂x1∂2f∂xn∂x2∂2f⋮∂xn2∂2f
易见，黑塞矩阵是一个实对称矩阵。
黑塞矩阵的应用：利用黑塞矩阵，我们可以探索神经网络在某点处的曲率，为训练是否收敛提供数值依据。
计算黑塞矩阵
在MindSpore中，我们可以通过jacfwd和jacrev的任意组合来计算黑塞矩阵。
Din = 32
Dout = 16
weight = ops.randn(Dout, Din)
bias = ops.randn(Dout)
x = ops.randn(Din)
hess1 = jacfwd(jacfwd(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess2 = jacfwd(jacrev(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess3 = jacrev(jacfwd(forecast, grad_position=2), grad_position=2)(weight, bias, x)
hess4 = jacrev(jacrev(forecast, grad_position=2), grad_position=2)(weight, bias, x)
np.allclose(hess1.asnumpy(), hess2.asnumpy())
np.allclose(hess2.asnumpy(), hess3.asnumpy())
np.allclose(hess3.asnumpy(), hess4.asnumpy())
计算黑塞-向量积
计算黑塞-向量积（Hessian-vector product, hvp）的最直接的方法计算一个完整的黑塞矩阵，并将其与向量进行点积运算。但MindSpore提供了更好的方法，使得不需要计算一个完整的黑塞矩阵，便可以计算黑塞-向量积。下面我们介绍计算黑塞-向量积的两种方法。
-
将反向模式自动微分与反向模式自动微分组合。
-
将反向模式自动微分与前向模式自动微分组合。
下面先介绍，在MindSpore中，如何使用反向模式自动微分与前向模式自动微分组合的方式计算黑塞-向量积，
def hvp_revfwd(f, inputs, vector):
return jvp(grad(f), inputs, vector)[1]
def f(x):
return x.sin().sum()
inputs = ops.randn(128)
vector = ops.randn(128)
result_hvp_revfwd = hvp_revfwd(f, inputs, vector)
print(result_hvp_revfwd.shape)
如果前向自动微分不能满足要求，我们可以使用反向模式自动微分与反向模式自动微分组合的方式来计算黑塞-向量积，
def hvp_revrev(f, inputs, vector):
_, vjp_fn = vjp(grad(f), *inputs)
return vjp_fn(*vector)
result_hvp_revrev = hvp_revrev(f, (inputs,), (vector,))
print(result_hvp_revrev[0].shape)
