torch.nn.functional

卷积函数

conv1d	对由多个输入平面组成的输入信号应用一维卷积。
conv2d	对由多个输入平面组成的输入图像应用二维卷积。
conv3d	对由多个输入平面组成的输入图像应用三维卷积。
conv_transpose1d	对由多个输入平面组成的输入信号应用一维转置卷积运算符，有时也称为“反卷积”。
conv_transpose2d	对由多个输入平面组成的输入图像应用二维转置卷积运算符，有时也称为“反卷积”。
conv_transpose3d	对由多个输入平面组成的输入图像应用三维转置卷积运算符，有时也称为“反卷积”。
unfold	从批处理输入张量中提取滑动局部块。
fold	将滑动局部块数组组合成一个大型的包含张量。

池化函数

avg_pool1d	对由多个输入平面组成的输入信号应用一维平均池化。
avg_pool2d	在 $kH \times kW$ 区域中应用二维平均池化操作，步长为 $sH \times sW$。
avg_pool3d	在 $kT \times kH \times kW$ 区域中应用三维平均池化操作，步长为 $sT \times sH \times sW$。
max_pool1d	对由多个输入平面组成的输入信号应用一维最大池化。
max_pool2d	对由多个输入平面组成的输入信号应用二维最大池化。
max_pool3d	对由多个输入平面组成的输入信号应用三维最大池化。
max_unpool1d	计算 MaxPool1d 的部分逆。
max_unpool2d	计算 MaxPool2d 的部分逆。
max_unpool3d	计算 MaxPool3d 的部分逆。
lp_pool1d	对由多个输入平面组成的输入信号应用一维幂平均池化。
lp_pool2d	对由多个输入平面组成的输入信号应用二维幂平均池化。
lp_pool3d	对由多个输入平面组成的输入信号应用三维幂平均池化。
adaptive_max_pool1d	对由多个输入平面组成的输入信号应用一维自适应最大池化。
adaptive_max_pool2d	对由多个输入平面组成的输入信号应用二维自适应最大池化。
adaptive_max_pool3d	对由多个输入平面组成的输入信号应用三维自适应最大池化。
adaptive_avg_pool1d	对由多个输入平面组成的输入信号应用一维自适应平均池化。
adaptive_avg_pool2d	对由多个输入平面组成的输入信号应用二维自适应平均池化。
adaptive_avg_pool3d	对由多个输入平面组成的输入信号应用三维自适应平均池化。
fractional_max_pool2d	对由多个输入平面组成的输入信号应用二维分数最大池化。
fractional_max_pool3d	对由多个输入平面组成的输入信号应用三维分数最大池化。

注意力机制

torch.nn.attention.bias 模块包含 attention_biases，这些 biases 旨在与 scaled_dot_product_attention 一起使用。

scaled_dot_product_attention

scaled_dot_product_attention(query, key, value, attn_mask=None, dropout_p=0.0,

非线性激活函数

threshold	对输入张量的每个元素应用阈值。
threshold_	threshold() 的就地版本。
relu	逐元素应用整流线性单元函数。
relu_	relu() 的就地版本。
hardtanh	逐元素应用 HardTanh 函数。
hardtanh_	hardtanh() 的就地版本。
hardswish	逐元素应用 hardswish 函数。
relu6	逐元素应用函数 $\text{ReLU6}(x) = \min(\max(0,x), 6)$.
elu	逐元素应用指数线性单元 (ELU) 函数。
elu_	elu() 的就地版本。
selu	逐元素应用 $\text{SELU}(x) = scale * (\max(0,x) + \min(0, \alpha * (\exp(x) - 1)))$, 其中 $\alpha=1.6732632423543772848170429916717$ 且 $scale=1.0507009873554804934193349852946$.
celu	逐元素应用 $\text{CELU}(x) = \max(0,x) + \min(0, \alpha * (\exp(x/\alpha) - 1))$ 函数。
leaky_relu	逐元素应用 $\text{LeakyReLU}(x) = \max(0, x) + \text{negative\_slope} * \min(0, x)$ 函数。
leaky_relu_	leaky_relu() 的就地版本。
prelu	逐元素应用函数 $\text{PReLU}(x) = \max(0,x) + \text{weight} * \min(0,x)$，其中 weight 是一个可学习的参数。
rrelu	随机泄漏 ReLU。
rrelu_	rrelu() 的就地版本。
glu	门控线性单元。
gelu	当近似参数为“none”时，它会对元素应用函数$\text{GELU}(x) = x * \Phi(x)$
logsigmoid	对元素应用$\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
hardshrink	对元素应用硬阈值收缩函数。
tanhshrink	对元素应用$\text{Tanhshrink}(x) = x - \text{Tanh}(x)$
softsign	对元素应用函数$\text{SoftSign}(x) = \frac{x}{1 + |x|}$
softplus	对元素应用函数$\text{Softplus}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x))$.
softmin	应用softmin函数。
softmax	应用softmax函数。
softshrink	对元素应用软阈值收缩函数。
gumbel_softmax	从Gumbel-Softmax分布中采样（链接1 链接2），并可选地进行离散化。
log_softmax	应用softmax函数，然后取对数。
tanh	对元素应用$\text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$
sigmoid	对元素应用函数 $\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}$
硬Sigmoid	逐元素应用Hardsigmoid函数。
silu	逐元素应用Sigmoid线性单元（SiLU）函数。
mish	逐元素应用Mish函数。
batch_norm	对一批数据中每个通道应用批标准化。
group_norm	对最后几个维度应用组标准化。
instance_norm	对批处理中每个数据样本的每个通道独立应用实例标准化。
layer_norm	对最后几个维度应用层标准化。
local_response_norm	对输入信号应用局部响应归一化。
rms_norm	应用均方根层标准化。
normalize	在指定维度上对输入执行$L_p$范数归一化。

线性函数

linear	对传入数据应用线性变换： $y = xA^T + b$.
双线性	对传入数据应用双线性变换： $y = x_1^T A x_2 + b$.

Dropout函数

dropout	在训练期间，以概率 p随机将输入张量中的一些元素置零。
alpha_dropout	对输入应用alpha dropout。
feature_alpha_dropout	随机屏蔽整个通道（通道是特征图）。
dropout1d	随机清零整个通道（通道是一维特征图）。
dropout2d	随机清零整个通道（通道是二维特征图）。
dropout3d	随机清零整个通道（通道是三维特征图）。

稀疏函数

embedding	生成一个简单的查找表，在固定字典和大小中查找嵌入。
embedding_bag	计算嵌入“包”的和、平均值或最大值。
one_hot	接收形状为 (*) 的包含索引值的LongTensor，并返回形状为 (*, num_classes) 的张量，其中除了最后维度索引与输入张量对应值匹配的地方为1外，其他地方都为0。

距离函数

pairwise_distance	有关详细信息，请参阅 torch.nn.PairwiseDistance
cosine_similarity	返回沿dim计算的 x1 和 x2 之间的余弦相似度。
pdist	计算输入中每一对行向量之间的p范数距离。

损失函数

binary_cross_entropy	测量目标和输入概率之间的二元交叉熵。
binary_cross_entropy_with_logits	计算目标和输入logit之间的二元交叉熵。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	有关详细信息，请参阅 CosineEmbeddingLoss。
cross_entropy	计算输入logit和目标之间的交叉熵损失。
ctc_loss	应用连接时序分类损失。
gaussian_nll_loss	高斯负对数似然损失。
hinge_embedding_loss	有关详细信息，请参阅 HingeEmbeddingLoss。
kl_div	计算KL散度损失。
l1_loss	计算元素级绝对值差的平均值。
mse_loss	测量元素级均方误差。
margin_ranking_loss	有关详细信息，请参阅 MarginRankingLoss。
multilabel_margin_loss	有关详细信息，请参阅 MultiLabelMarginLoss。
multilabel_soft_margin_loss	有关详细信息，请参阅 MultiLabelSoftMarginLoss。
multi_margin_loss	有关详细信息，请参阅 MultiMarginLoss。
nll_loss	计算负对数似然损失。
huber_loss	计算Huber损失。
smooth_l1_loss	计算平滑L1损失。
soft_margin_loss	有关详细信息，请参阅 SoftMarginLoss。
triplet_margin_loss	计算给定输入张量之间的三元组损失，其边距大于0。
triplet_margin_with_distance_loss	使用自定义距离函数计算输入张量的三元组边距损失。

视觉函数

pixel_shuffle	重新排列形状为 $(*, C \times r^2, H, W)$ 张量的元素，使其变为形状为 $(*, C, H \times r, W \times r)$ 的张量，其中 r 是 upscale_factor。
像素反混叠 (pixel_unshuffle)	通过重新排列形状为 $(*, C, H \times r, W \times r)$ 张量的元素，反转 PixelShuffle 操作，使其变为形状为 $(*, C \times r^2, H, W)$ 的张量，其中 r 是 downscale_factor。
填充 (pad)	填充张量。
插值 (interpolate)	对输入进行下采样或上采样。
上采样 (upsample)	对输入进行上采样。
最近邻上采样 (upsample_nearest)	使用最近邻像素值对输入进行上采样。
双线性上采样 (upsample_bilinear)	使用双线性插值对输入进行上采样。
网格采样 (grid_sample)	计算网格采样。
仿射网格 (affine_grid)	给定一批仿射矩阵 theta，生成 2D 或 3D 流场（采样网格）。

DataParallel 函数（多GPU，分布式）

data_parallel

torch.nn.parallel.data_parallel

在 device_ids 中给定的 GPU 上并行评估模块 (input)。