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	从批处理的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 $kH \times kW$ 区域中应用步长为 $sH \times sW$ 的二维平均池化操作。
avg_pool3d	在 $kT \times kH \times kW$ 区域中应用步长为 $sT \times sH \times sW$ 的三维平均池化操作。
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	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 3D 分数最大池化。

注意力机制

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

scaled_dot_product_attention

使用缩放点积注意力机制计算查询、键和值张量，如果传递了可选的注意力掩码，则使用该掩码，并在指定大于 0.0 的概率时应用 dropout。

非线性激活函数

threshold	对输入张量的每个元素应用阈值。
threshold_	threshold() 的原地版本。
relu	逐元素应用线性整流函数。
relu_	relu() 的原地版本。
hardtanh	逐元素应用 HardTanh 函数。
hardtanh_	hardtanh() 的原地版本。
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() 的原地版本。
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 $\text{CELU}(x) = \max(0,x) + \min(0, \alpha * (\exp(x/\alpha) - 1))$.
leaky_relu	逐元素应用 $\text{LeakyReLU}(x) = \max(0, x) + \text{negative\_slope} * \min(0, x)$
leaky_relu_	leaky_relu() 的原地版本。
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 Leaky ReLU。
rrelu_	rrelu() 的原地版本。
glu	门控线性单元。
gelu	当 approximate 参数为 'none' 时，它会对每个元素应用函数 $\text{GELU}(x) = x * \Phi(x)$
对数 sigmoid 函数	对每个元素应用 $\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
硬收缩	对每个元素应用硬收缩函数
tanh 收缩	对每个元素应用 $\text{Tanhshrink}(x) = x - \text{Tanh}(x)$
软符号函数	对每个元素应用函数 $\text{SoftSign}(x) = \frac{x}{1 + |x|}$
软加函数	对每个元素应用函数 $\text{Softplus}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x))$.
软最小值函数	应用软最小值函数。
软最大值函数	应用软最大值函数。
软收缩	对每个元素应用软收缩函数
Gumbel-Softmax 函数	从 Gumbel-Softmax 分布（链接 1 链接 2）中采样，并可选地进行离散化。
对数-软最大值函数	应用软最大值函数，然后应用对数函数。
双曲正切函数	对每个元素应用 $\text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$
sigmoid 函数	对元素应用函数 $\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}$。
hardsigmoid	逐元素地应用 Hardsigmoid 函数。
silu	逐元素地应用 Sigmoid 线性单元 (SiLU) 函数。
mish	逐元素地应用 Mish 函数。
batch_norm	对一批数据中的每个通道应用批归一化。
group_norm	对最后特定数量的维度应用组归一化。
instance_norm	对批次中每个数据样本中的每个通道独立应用实例归一化。
layer_norm	对最后特定数量的维度应用层归一化。
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	在指定的维度上对输入执行 $L_p$ 归一化。

线性函数

linear	对输入数据应用线性变换：$y = xA^T + b$。
bilinear	对输入数据应用双线性变换：$y = x_1^T A x_2 + b$。

丢弃函数

dropout	在训练期间，以概率 p 随机将输入张量中的某些元素清零。
alpha_dropout	对输入应用 alpha 丢弃。
feature_alpha_dropout	随机屏蔽掉整个通道（通道是一个特征图）。
dropout1d	随机将整个通道清零（通道是一个一维特征图）。
dropout2d	随机将整个通道清零（通道是一个二维特征图）。
dropout3d	随机将整个通道清零（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，在固定字典和大小中查找嵌入。
embedding_bag	计算嵌入的 词袋 的总和、平均值或最大值。
one_hot	采用形状为 (*) 的索引值的 LongTensor，并返回形状为 (*, num_classes) 的张量，该张量除最后一维的索引与输入张量的对应值匹配的位置（此时值为 1）外，其他所有位置的值均为零。

距离函数

pairwise_distance	有关详细信息，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	度量目标概率和输入概率之间的二元交叉熵。
binary_cross_entropy_with_logits	计算目标 logits 和输入 logits 之间的二元交叉熵。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	有关详细信息，请参阅 CosineEmbeddingLoss。
cross_entropy	计算输入 logits 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	采用元素平均绝对值差的函数。
mse_loss	度量元素平均平方误差。
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	计算给定输入张量与大于 0 的边界之间的三元组损失。
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界损失。

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为形状为 $(*, C, H \times r, W \times r)$ 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为形状为 $(*, C \times r^2, H, W)$ 的张量，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）。

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 module(input)。