torch.nn.functional

卷积函数

conv1d	对由几个输入平面组成的输入信号应用 1D 卷积。
conv2d	对由几个输入平面组成的输入图像应用 2D 卷积。
conv3d	对由几个输入平面组成的输入图像应用 3D 卷积。
conv_transpose1d	对由几个输入平面组成的输入信号应用 1D 转置卷积算子，有时也称为“反卷积”。
conv_transpose2d	对由几个输入平面组成的输入图像应用 2D 转置卷积算子，有时也称为“反卷积”。
conv_transpose3d	对由几个输入平面组成的输入图像应用 3D 转置卷积算子，有时也称为“反卷积”
unfold	从批量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	对由几个输入平面组成的输入信号应用 1D 平均池化。
avg_pool2d	在 $kH \times kW$ 区域中应用 2D 平均池化操作，步长为 $sH \times sW$ 步。
avg_pool3d	在 $kT \times kH \times kW$ 区域中应用 3D 平均池化操作，步长为 $sT \times sH \times sW$ 步。
max_pool1d	对由几个输入平面组成的输入信号应用 1D 最大池化。
max_pool2d	对由几个输入平面组成的输入信号应用 2D 最大池化。
max_pool3d	对由几个输入平面组成的输入信号应用 3D 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	对由几个输入平面组成的输入信号应用 1D 幂平均池化。
lp_pool2d	对由几个输入平面组成的输入信号应用 2D 幂平均池化。
lp_pool3d	对由几个输入平面组成的输入信号应用 3D 幂平均池化。
adaptive_max_pool1d	对由几个输入平面组成的输入信号应用 1D 自适应最大池化。
adaptive_max_pool2d	对由几个输入平面组成的输入信号应用 2D 自适应最大池化。
adaptive_max_pool3d	对由几个输入平面组成的输入信号应用 3D 自适应最大池化。
adaptive_avg_pool1d	对由几个输入平面组成的输入信号应用 1D 自适应平均池化。
adaptive_avg_pool2d	对由几个输入平面组成的输入信号应用 2D 自适应平均池化。
adaptive_avg_pool3d	对由几个输入平面组成的输入信号应用 3D 自适应平均池化。
fractional_max_pool2d	对由几个输入平面组成的输入信号应用 2D 分数最大池化。
fractional_max_pool3d	对由几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 模块包含旨在与 scaled_dot_product_attention 一起使用的 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() 的原地版本。
relu	逐元素应用修正线性单元函数。
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，它逐元素应用函数 $\text{GELU}(x) = x * \Phi(x)$
logsigmoid	逐元素应用 $\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
hardshrink	逐元素应用硬收缩函数
tanhshrink	逐元素应用 $\text{Tanhshrink}(x) = x - \text{Tanh}(x)$
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	逐元素应用软收缩函数
gumbel_softmax	从 Gumbel-Softmax 分布中采样 (链接 1 链接 2)，并可选择离散化。
log_softmax	应用 softmax，后跟对数。
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	对批次数据中每个通道应用批归一化。
group_norm	对最后几个维度应用组归一化。
instance_norm	在批次中每个数据样本的每个通道中独立应用实例归一化。
layer_norm	对最后几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	对指定维度上的输入执行 $L_p$ 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：$y = x_1^T A x_2 + b$

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	随机屏蔽掉整个通道（通道是特征图）。
dropout1d	随机将整个通道置零（通道是 1D 特征图）。
dropout2d	随机将整个通道置零（通道是 2D 特征图）。
dropout3d	随机将整个通道置零（通道是 3D 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 包 的总和、平均值或最大值。
one_hot	接受形状为 (*) 的 LongTensor 索引值，并返回形状为 (*, num_classes) 的张量，该张量在除最后一个维度的索引与输入张量的相应值匹配的位置之外的所有位置都为零，在这种情况下，它将为 1。

距离函数

pairwise_distance	有关详细信息，请参见 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	衡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，请参见 CosineEmbeddingLoss。
cross_entropy	计算输入 logits 和目标之间的交叉熵损失。
ctc_loss	应用 Connectionist Temporal Classification 损失。
gaussian_nll_loss	高斯负对数似然损失。
hinge_embedding_loss	有关详细信息，请参见 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的函数。
mse_loss	衡量元素级均方误差，可选择加权。
margin_ranking_loss	有关详细信息，请参见 MarginRankingLoss。
multilabel_margin_loss	有关详细信息，请参见 MultiLabelMarginLoss。
multilabel_soft_margin_loss	有关详细信息，请参见 MultiLabelSoftMarginLoss。
multi_margin_loss	有关详细信息，请参见 MultiMarginLoss。
nll_loss	计算负对数似然损失。
huber_loss	计算 Huber 损失，可选择加权。
smooth_l1_loss	计算 Smooth L1 损失。
soft_margin_loss	有关详细信息，请参见 SoftMarginLoss。
triplet_margin_loss	计算给定输入张量和大于 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	通过重新排列形状为 $(*, C, H \times r, W \times r)$ 的张量中的元素来反转 PixelShuffle 操作，得到形状为 $(*, C \times r^2, H, W)$ 的张量，其中 r 是 downscale_factor。
pad	填充张量。
interpolate	下采样/上采样输入。
upsample	上采样输入。
upsample_nearest	使用最近邻像素值上采样输入。
upsample_bilinear	使用双线性上采样上采样输入。
grid_sample	计算网格采样。
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 module(input)。