Python 理解JAX-argnums参数的梯度函数

我试图理解JAX梯度函数中

argnums

的行为。 假设我有以下函数：

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

我用下面的方法计算梯度：

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

argnums=（0,1）

在这种情况下，它是什么意思？关于哪些变量计算梯度？如果改用

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

---

我查看了有关它的部分，但没有弄清楚它

当您将多个argnums传递给grad时，结果是一个返回渐变元组的函数，相当于您单独计算每个渐变：

定义f（x，y）： 返回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 断言df_dxy（x，y）==（df_dx（x，y），df_dy（x，y）） 如果要计算混合二阶导数，可以重复应用梯度：

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