torch.nn.functional

卷积函数

卷积 1d	将 1D 卷积应用于由多个输入平面组成的输入信号。
卷积2D	在由多个输入平面组成的输入图像上应用 2D 卷积。
卷积3D	将 3D 卷积应用于由多个输入平面组成的输入图像。
conv_transpose1d	将 1D 转置卷积运算符应用于由多个输入平面组成的输入信号，有时也称为“反卷积”。
conv_transpose2d	将 2D 转置卷积运算符应用于由多个输入平面组成的输入图像，有时也称为“反卷积”。
conv_transpose3d	将 3D 转置卷积运算符应用于由多个输入平面组成的输入图像，有时也称为“反卷积”
展开	从批处理的输入张量中提取滑动局部块。
倍	将一组滑动的局部块组合成一个大的 containing 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 1D 平均池化。
avg_pool2d	在 中应用 2D 平均池化操作$kH \times kW$按步长划分的区域$sH \times sW$步骤。
avg_pool3d	在 中应用 3D 平均池化操作$kT \times kH \times kW$按步长划分的区域$sT \times sH \times sW$步骤。
max_pool1d	在由多个输入平面组成的输入信号上应用 1D 最大池化。
max_pool2d	在由多个输入平面组成的输入信号上应用 2D 最大池化。
max_pool3d	在由多个输入平面组成的输入信号上应用 3D 最大池化。
max_unpool1d	计算 的偏逆 。MaxPool1d
max_unpool2d	计算 的偏逆 。MaxPool2d
max_unpool3d	计算 的偏逆 。MaxPool3d
lp_pool1d	在由多个 input 平面组成的 input 信号上应用 1D power-average pooling。
lp_pool2d	在由多个 input 平面组成的 input 信号上应用 2D power-average pooling。
lp_pool3d	在由多个输入平面组成的输入信号上应用 3D 功率平均池。
adaptive_max_pool1d	在由多个输入平面组成的输入信号上应用 1D 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 2D 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 3D 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 1D 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 2D 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 3D 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 2D 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 3D 分数最大池化。

注意力机制

该模块attention_biases包含旨在与 scaled_dot_product_attention。

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

门槛	将阈值应用于输入 Tensor 的每个元素。
门槛_	的就地版本 .
RELU	按元素应用修正的线性单元函数。
relu_	的就地版本 .
哈尔坦	按元素应用 HardTanh 函数。
hardtanh_	的就地版本 .
硬	按元素应用 hardswish 函数。
回复 6	应用元素级函数$\text{ReLU6}(x) = \min(\max(0,x), 6)$.
ELU	按元素应用 Exponential Linear Unit （ELU） 函数。
elu_	的就地版本 .
塞鲁	按元素应用，$\text{SELU}(x) = scale * (\max(0,x) + \min(0, \alpha * (\exp(x) - 1)))$跟$\alpha=1.6732632423543772848170429916717$和$scale=1.0507009873554804934193349852946$.
CELU	按元素应用，$\text{CELU}(x) = \max(0,x) + \min(0, \alpha * (\exp(x/\alpha) - 1))$.
leaky_relu	按元素应用，$\text{LeakyReLU}(x) = \max(0, x) + \text{negative\_slope} * \min(0, x)$
leaky_relu_	的就地版本 .
普雷鲁	按元素应用函数$\text{PReLU}(x) = \max(0,x) + \text{weight} * \min(0,x)$其中 weight 是一个可学习的参数。
rrelu	随机泄漏 ReLU。
rrelu_	的就地版本 .
格鲁	门控线性单元。
格鲁	当 approximate 参数为 'none' 时，它会按元素应用函数$\text{GELU}(x) = x * \Phi(x)$
logigmoid	按元素应用$\text{LogSigmoid}(x_i) = \log \left(\frac{1}{1 + \exp(-x_i)}\right)$
硬收缩	按元素应用硬收缩函数
tanhshrink	按元素应用，$\text{Tanhshrink}(x) = x - \text{Tanh}(x)$
软件签名	按元素应用函数$\text{SoftSign}(x) = \frac{x}{1 + |x|}$
软加	按元素应用函数$\text{Softplus}(x) = \frac{1}{\beta} * \log(1 + \exp(\beta * x))$.
softmin 软件	应用 softmin 函数。
softmax	应用 softmax 函数。
softshrink （软收缩）	按元素应用软收缩函数
gumbel_softmax	来自 Gumbel-Softmax 分布的样本（链接 1、链接 2）并选择性地离散化。
log_softmax	应用 softmax，后跟对数。
丹	按元素应用，$\text{Tanh}(x) = \tanh(x) = \frac{\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$
乙状结肠	应用元素级函数$\text{Sigmoid}(x) = \frac{1}{1 + \exp(-x)}$
硬乙状结肠	按元素应用 Hardsigmoid 函数。
西鲁	按元素应用 Sigmoid 线性单元 （SiLU） 函数。
米什	按元素应用 Mish 函数。
batch_norm	对一批数据中的每个通道应用 Batch Normalization。
group_norm	对最近一定数量的维度应用 Group Normalization。
instance_norm	为批次中每个数据样本中的每个通道独立应用 Instance Normalization。
layer_norm	对最后一定数量的维度应用 Layer Normalization。
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。
正常化	执行$L_p$指定维度上输入的归一化。

线性函数

线性	对传入数据应用线性转换：$y = xA^T + b$.
双	将双线性变换应用于传入数据：$y = x_1^T A x_2 + b$

Dropout 函数

辍学	在训练期间，使用 probability 将输入张量的某些元素随机归零。p
alpha_dropout	将 Alpha dropout 应用于输入。
feature_alpha_dropout	随机屏蔽整个通道（通道是特征图）。
辍学1d	将整个通道随机归零（通道是 1D 特征图）。
辍学2D	将整个通道随机归零（通道是 2D 特征图）。
辍学3D	将整个通道随机归零（通道是 3D 特征图）。

稀疏函数

嵌入	生成一个简单的查找表，该表在固定字典和大小中查找嵌入。
embedding_bag	计算嵌入袋的 sum、means 或 max。
one_hot	采用索引值为 shape 的 LongTensor，并返回一个 shape 的张量，该张量在任何地方都有零，但最后一个维度的索引与输入张量的相应值匹配时除外，在这种情况下，它将为 1。(*)(*, num_classes)

距离函数

pairwise_distance	查看详情
cosine_similarity	返回 和 之间的余弦相似度，沿 dim 计算。x1x2
PDIST	计算输入中每对行向量之间的 p-norm 距离。

损失函数

binary_cross_entropy	测量目标概率和输入概率之间的二进制交叉熵。
binary_cross_entropy_with_logits	计算目标和输入 logit 之间的二进制交叉熵。
poisson_nll_loss	泊松负对数似然损失。
cosine_embedding_loss	有关详细信息，请参阅。
cross_entropy	计算 input logits 和 target 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，请参阅。
kl_div	计算 KL 背离损失。
l1_loss	取均值元素绝对值差的函数。
mse_loss	测量元素均方误差。
margin_ranking_loss	有关详细信息，请参阅。
multilabel_margin_loss	有关详细信息，请参阅。
multilabel_soft_margin_loss	有关详细信息，请参阅。
multi_margin_loss	有关详细信息，请参阅。
nll_loss	计算负对数似然损失。
huber_loss	计算 Huber 损失。
smooth_l1_loss	计算 Smooth L1 损失。
soft_margin_loss	有关详细信息，请参阅。
triplet_margin_loss	计算给定输入张量和大于 0 的边际之间的三元组损失。
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距损失。

视觉功能

pixel_shuffle	在 shape 为$(*, C \times r^2, H, W)$转换为 shape 为$(*, C, H \times r, W \times r)$，其中 r 是 。upscale_factor
pixel_unshuffle	通过重新排列 shape 为$(*, C, H \times r, W \times r)$转换为 shape 为$(*, C \times r^2, H, W)$，其中 r 是 。downscale_factor
垫	Pads 张量。
插话	对 input 进行 down/up 采样。
上采样	Upsample 输入。
upsample_nearest	使用最近邻的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	计算网格示例。
affine_grid	生成 2D 或 3D 流场（采样网格），给定一批仿射矩阵。theta

DataParallel 函数（多 GPU、分布式）

data_parallel

torch.nn.parallel.data_parallel

在 device_ids 中给出的 GPU 之间并行评估 module（input）。