torch.nn.functional

卷积函数

conv1d	在由多个输入平面组成的输入信号上应用一维卷积。
conv2d	在由多个输入平面组成的输入图像上应用二维卷积。
conv3d	在由多个输入平面组成的输入图像上应用三维卷积。
conv_transpose1d	在由多个输入平面组成的输入信号上应用一维转置卷积算子，有时也称为“反卷积”。
conv_transpose2d	在由多个输入平面组成的输入图像上应用二维转置卷积算子，有时也称为“反卷积”。
conv_transpose3d	在由多个输入平面组成的输入图像上应用三维转置卷积算子，有时也称为“反卷积”
unfold	从批量输入的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的包含张量。

池化函数

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

注意力机制

模块 torch.nn.attention.bias 包含设计用于 scaled_dot_product_attention 的注意力偏置项（attention_biases）。

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() 的原地（in-place）版本。
relu	逐元素应用修正线性单元函数。
relu_	relu() 的原地（in-place）版本。
hardtanh	逐元素应用 HardTanh 函数。
hardtanh_	hardtanh() 的原地（in-place）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() 的原地（in-place）版本。
selu	逐元素应用函数 $\text{SELU}(x) = scale * (\max(0,x) + \min(0, \alpha * (\exp(x) - 1)))$，其中 $\alpha=1.6732632423543772848170429916717$ 且 $scale=1.0507009873554804934193349852946$。
celu	逐元素应用函数 $\text{CELU}(x) = \max(0,x) + \min(0, \alpha * (\exp(x/\alpha) - 1))$。
leaky_relu	逐元素应用函数 $\text{LeakyReLU}(x) = \max(0, x) + \text{negative\_slope} * \min(0, x)$
leaky_relu_	leaky_relu() 的原地（in-place）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	随机化 Leaky ReLU。
rrelu_	rrelu() 的原地（in-place）版本。
glu	门控线性单元。
gelu	当 approximate 参数为 'none' 时，逐元素应用函数 $\text{GELU}(x) = x * \Phi(x)$
logsigmoid	逐元素应用函数 $\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
hardshrink	逐元素应用硬收缩函数
tanhshrink	逐元素应用函数 $\text{Tanhshrink}(x) = x - \text{Tanh}(x)$
softsign	逐元素应用函数 $\text{SoftSign}(x) = \frac{x}{1 + |x|}$
softplus	逐元素应用函数 $\text{Softplus}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x))$。
softmin	应用 softmin 函数。
softmax	应用 softmax 函数。
softshrink	逐元素应用 soft shrinkage 函数
gumbel_softmax	从 Gumbel-Softmax 分布中采样（链接 1 链接 2），并可选择进行离散化。
log_softmax	应用 softmax 后接对数函数。
tanh	逐元素应用，$\text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$
sigmoid	逐元素应用函数 $\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}$
hardsigmoid	逐元素应用 Hardsigmoid 函数。
silu	逐元素应用 Sigmoid Linear Unit (SiLU) 函数。
mish	逐元素应用 Mish 函数。
batch_norm	对一批数据中的每个通道应用批量归一化。
group_norm	对最后若干个维度应用组归一化。
instance_norm	对一批数据中每个数据样本的每个通道独立应用实例归一化。
layer_norm	对最后若干个维度应用层归一化。
local_response_norm	对输入信号应用局部响应归一化。
rms_norm	应用均方根层归一化。
normalize	对输入沿指定维度执行 $L_p$ 归一化。

线性函数

linear	对传入数据应用线性变换：$y = xA^T + b$。
bilinear	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 随机将输入张量的某些元素置零。
alpha_dropout	对输入应用 alpha dropout。
feature_alpha_dropout	随机遮蔽整个通道（一个通道是一个特征图）。
dropout1d	随机将整个通道置零（一个通道是一个一维特征图）。
dropout2d	随机将整个通道置零（一个通道是一个二维特征图）。
dropout3d	随机将整个通道置零（一个通道是一个三维特征图）。

稀疏函数

embedding	生成一个简单的查找表，用于在固定字典和大小中查找嵌入。
embedding_bag	计算嵌入“袋”的总和、均值或最大值。
one_hot	接受形状为 (*) 的 LongTensor 索引值，并返回形状为 (*, num_classes) 的张量，该张量除最后一维索引与其对应的输入张量值匹配的位置为 1 外，其余位置均为零。

距离函数

pairwise_distance	详细信息请参阅 torch.nn.PairwiseDistance
cosine_similarity	返回 x1 和 x2 之间的余弦相似度，沿 dim 计算。
pdist	计算输入中每对行向量之间的 p-范数距离。

损失函数

binary_cross_entropy	计算目标与输入概率之间的二元交叉熵。
binary_cross_entropy_with_logits	计算目标与输入 logits 之间的二元交叉熵。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	详细信息请参阅 CosineEmbeddingLoss。
cross_entropy	计算输入 logits 与目标之间的交叉熵损失。
ctc_loss	应用联结主义时间分类 (CTC) 损失。
gaussian_nll_loss	高斯负对数似然损失。
hinge_embedding_loss	详细信息请参阅 HingeEmbeddingLoss。
kl_div	计算 KL 散度损失。
l1_loss	计算逐元素绝对值差的平均值的函数。
mse_loss	计算逐元素均方误差，支持可选加权。
margin_ranking_loss	详细信息请参阅 MarginRankingLoss。
multilabel_margin_loss	详细信息请参阅 MultiLabelMarginLoss。
multilabel_soft_margin_loss	详细信息请参阅 MultiLabelSoftMarginLoss。
multi_margin_loss	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，支持可选加权。
smooth_l1_loss	计算平滑 L1 损失。
soft_margin_loss	详细信息请参阅 SoftMarginLoss。
triplet_margin_loss	计算给定输入张量与大于 0 的 margin 之间的 triplet 损失。
triplet_margin_with_distance_loss	使用自定义距离函数计算输入张量的 triplet margin 损失。

视觉函数

pixel_shuffle	将形状为 $(*, C \times r^2, H, W)$ 的张量中的元素重新排列成形状为 $(*, C, H \times r, W \times r)$ 的张量，其中 r 是 upscale_factor。
pixel_unshuffle	通过将形状为 $(*, C, H \times r, W \times r)$ 的张量中的元素重新排列成形状为 $(*, C \times r^2, H, W)$ 的张量，来反转 PixelShuffle 操作，其中 r 是 downscale_factor。
pad	填充张量。
interpolate	对输入进行下/上采样。
upsample	对输入进行上采样。
upsample_nearest	使用最近邻像素值对输入进行上采样。
upsample_bilinear	使用双线性上采样对输入进行上采样。
grid_sample	计算网格采样。
affine_grid	给定一批仿射矩阵 theta，生成二维或三维流场（采样网格）。

数据并行函数（多 GPU，分布式）

data_parallel

torch.nn.parallel.data_parallel

在 device_ids 中指定的多个 GPU 上并行评估模块(输入)。