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一维输入信号应用转置卷积算子，有时也称为“反卷积”。
conv_transpose2d	对由多个输入平面组成的一幅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一幅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一维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数据信号应用三维幂平均池化操作。
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	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。

注意力机制

该 torch.nn.attention.bias 模块包含注意力偏差，旨在与缩放点积注意力一起使用。

scaled_dot_product_attention

在查询、键和值张量上计算缩放点积注意力，如果传入可选的注意力掩码则使用它，并且如果指定的概率大于 0.0，则应用 dropout。

非线性激活函数

threshold	对输入张量的每个元素应用阈值。
threshold_	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	应用 Hardswish 激活函数，逐元素操作。
relu6	应用逐元素函数 $\text{ReLU6}(x) = \min(\max(0,x), 6)$。
elu	对元素应用指数线性单元（ELU）函数。
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	当近似参数为'none'时，它对元素应用函数 $\text{GELU}(x) = x * \Phi(x)$。
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	应用一个软最小函数。
softmax	应用一个softmax函数。
softshrink	对元素应用逐点软收缩函数
gumbel_softmax	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	应用一个 softmax 然后取对数。
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	逐元素应用 Hardsigmoid 函数。
silu	应用 sigmoid 线性单元（SiLU）函数，逐元素计算。
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归一化。
group_norm	对最后若干维应用组归一化。
instance_norm	对批次中的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。
normalize	执行对输入在指定维度上的$L_p$范数归一化。

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，以概率p随机将输入张量的一些元素置零。
alpha_dropout	对输入应用 alpha Dropout。
feature_alpha_dropout	随机掩码整个通道（一个通道是一个特征图）。
dropout1d	随机将整个通道（一个通道是一维特征图）置零。
dropout2d	随机将整个通道（一个通道是一张二维特征图）置零。
dropout3d	随机将整个通道（一个通道是一张 3D 特征图）置零。

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bags的和、平均值或最大值。
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	计算目标和输入概率之间的二元交叉熵。
binary_cross_entropy_with_logits	计算目标与输入对数几率之间的二元交叉熵。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	参见 CosineEmbeddingLoss 了解详情。
cross_entropy	计算输入对数几率与目标之间的交叉熵损失。
ctc_loss	应用连接主义时间分类损失。
gaussian_nll_loss	高斯负对数似然损失。
hinge_embedding_loss	参见 HingeEmbeddingLoss 了解详情。
kl_div	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	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	参见 MultiMarginLoss 了解详情。
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	参见 SoftMarginLoss 了解详情。
triplet_margin_loss	计算给定输入张量之间的三元损失和大于 0 的边界值。
triplet_margin_with_distance_loss	计算输入张量的三元组-margin损失，使用自定义的距离函数。

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	对输入进行上取样/下采样。
upsample	上采样输入。
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	生成2D或3D流场（采样网格），给定一批仿射矩阵 theta。

数据并行函数（多GPU、分布式）

data_parallel

torch.nn.parallel.data_parallel

在指定的 device_ids 中的 GPU 上并行评估 module(input)。