torch.nn.functional

卷积函数

conv1d	对由多个输入平面组成的一维输入信号应用卷积。
conv2d	对由多个输入平面组成的一幅输入图像应用二维卷积。
conv3d	对由多个输入平面组成的一幅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算子，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算子，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	将一组滑动局部块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一维输入信号应用平均池化操作。
avg_pool2d	在$kH \times kW$个区域中应用步长为$sH \times sW$的二维平均池化操作。
avg_pool3d	在$kT \times kH \times kW$个区域中应用3D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一维输入信号应用最大池化操作。
max_pool2d	对由多个输入平面组成的一维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空间信号应用三维最大池化操作。
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一维输入信号应用幂平均池化操作。
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。
adaptive_max_pool1d	对由多个输入平面组成的一维输入信号应用自适应最大池化。
adaptive_max_pool2d	对由多个输入平面组成的空间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空间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一维输入信号应用自适应平均池化操作。
adaptive_avg_pool2d	对由多个输入平面组成的一维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空间信号应用三维自适应平均池化。
fractional_max_pool2d	在输入信号的多个输入平面之上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。

非线性激活函数

threshold	对输入张量的每个元素进行阈值处理。
threshold_	就地版本的threshold()。
relu	对元素应用整流线性单元函数。
relu_	就地版本的relu()。
hardtanh	对元素进行逐个应用 HardTanh 函数。
hardtanh_	就地版本的hardtanh()。
hardswish	逐元素应用 hardswish 函数，如论文中所述：
relu6	应用逐元素函数 $\text{ReLU6}(x) = \min(\max(0,x), 6)$。
elu	逐元素应用，$\text{ELU}(x) = \max(0,x) + \min(0, \alpha * (\exp(x) - 1))$。
elu_	就地版本的elu()。
selu	逐元素应用，$\text{SELU}(x) = scale * (\max(0,x) + \min(0, \alpha * (\exp(x) - 1)))$，与$\alpha=1.6732632423543772848170429916717$和$scale=1.0507009873554804934193349852946$。
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_	就地版本的leaky_relu()。
prelu	对元素应用函数$\text{PReLU}(x) = \max(0,x) + \text{weight} * \min(0,x)$，其中权重是一个可学习的参数。
rrelu	随机泄露修正线性单元。
rrelu_	就地版本的rrelu()。
glu	门控线性单元。
gelu	对每个元素应用函数 $\text{GELU}(x) = x * \Phi(x)$
logsigmoid	应用元素级 $\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
hardshrink	对元素进行逐点硬收缩函数运算
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	应用一个 Softmin 函数。
softmax	应用一个 softmax 函数。
softshrink	对元素应用逐点软收缩函数
gumbel_softmax	来自Gumbel-Softmax分布的样本 (链接1 链接2) 并且可选地进行离散化。
log_softmax	应用一个 softmax，然后应用对数运算。
tanh	逐元素应用，$\text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$
sigmoid	应用逐元素函数 $\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}$
hardsigmoid	对每个元素应用相应的函数
silu	对元素应用 sigmoid 线性单元（SiLU）函数。
mish	对元素应用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	对批次中每个数据样本的每个通道应用实例归一化。
layer_norm	对最后若干个维度应用层归一化。
local_response_norm	对由多个输入平面组成的输入信号应用局部响应归一化，其中通道占据第二个维度。
normalize	对指定维度的输入执行 $L_p$ 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	在训练过程中，使用伯努利分布的样本，以概率 p 随机将输入张量的某些元素设为零。
alpha_dropout	对输入应用 alpha dropout。
feature_alpha_dropout	随机屏蔽整个通道（一个通道即一个特征图，例如
dropout2d	随机零化整个通道（一个通道是一个2D特征图，例如，批次输入中第$i$个样本的第$j$个通道是一个2D张量$\text{input}[i, j]$）的输入张量。
dropout3d	随机零化整个通道（一个通道是一个3D特征图，例如，批处理输入中第$i$个样本的第$j$个通道是一个3D张量$\text{input}[i, j]$）。

稀疏函数

embedding	一个简单的查找表，它在固定字典和大小中查找嵌入。
embedding_bag	计算嵌入的和、平均值或最大值，bags 无需实例化中间嵌入。
one_hot	接受形状为(*)的LongTensor索引值，并返回一个形状为(*, num_classes)的张量，在最后一维的索引与输入张量对应的值匹配的位置为1，其他位置为0。

距离函数

pairwise_distance	参见 torch.nn.PairwiseDistance 详情
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	衡量目标和输入概率之间二元交叉熵的函数。
binary_cross_entropy_with_logits	衡量目标与输入logits之间二元交叉熵的函数。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	参见 CosineEmbeddingLoss 了解详情。
cross_entropy	该准则计算输入和目标之间的交叉熵损失。
ctc_loss	连接主义时序分类损失。
gaussian_nll_loss	高斯负对数似然损失。
hinge_embedding_loss	参见 HingeEmbeddingLoss 了解详情。
kl_div	The Kullback-Leibler散度损失
l1_loss	计算元素级绝对值差的平均值的函数。
mse_loss	逐元素测量均方误差。
margin_ranking_loss	参见 MarginRankingLoss 了解详情。
multilabel_margin_loss	参见 MultiLabelMarginLoss 了解详情。
multilabel_soft_margin_loss	参见 MultiLabelSoftMarginLoss 了解详情。
multi_margin_loss	multi_margin_loss(input, target, p=1, margin=1, weight=None, size_average=None,
nll_loss	对数似然损失的负值。
huber_loss	如果绝对逐元素误差低于 delta，则使用平方项的函数；否则使用按 delta 缩放的 L1 项。
smooth_l1_loss	如果逐元素绝对误差低于 beta，则使用平方项的函数；否则使用 L1 项。
soft_margin_loss	参见 SoftMarginLoss 了解详情。
triplet_margin_loss	参见 TripletMarginLoss 详情
triplet_margin_with_distance_loss	参见 TripletMarginWithDistanceLoss 了解详情。

视觉功能

pixel_shuffle	重新排列形状为 $(*, C \times r^2, H, W)$ 的张量元素为形状为 $(*, C, H \times r, W \times r)$ 的张量，其中 r 是 upscale_factor。
pixel_unshuffle	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，从而逆转PixelShuffle操作，其中r是downscale_factor。
pad	填充张量。
interpolate	将输入下采样或上采样到给定的 size 或给定的 scale_factor
upsample	将输入上采样到给定的 size 或给定的 scale_factor
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	给定一个 input 和一个流场 grid，使用 input 值和来自 grid 的像素位置计算 output。
affine_grid	给定一批仿射矩阵 theta，生成一个二维或三维流场（采样网格）。

数据并行函数（多GPU、分布式）

data_parallel

torch.nn.parallel.data_parallel

在给定的 device_ids 中的 GPU 上并行计算 module(input)。