torch.nn

以下是图形的基本构建块：

缓冲区	一种不应被视为模型参数的 Tensor。
参数	一种 Tensor，将被视为 module 参数。
未初始化参数	未初始化的参数。
未初始化的缓冲区	未初始化的缓冲区。

器皿

模块	所有神经网络模块的基类。
顺序	顺序容器。
模块列表	将子模块保存在列表中。
模块字典	在字典中保存子模块。
参数列表	在列表中保存参数。
参数字典	在字典中保存参数。

Module 的全局钩子

register_module_forward_pre_hook	注册一个所有模块通用的正向预钩子。
register_module_forward_hook	为所有模块注册一个全局 forward hook。
register_module_backward_hook	注册一个所有模块通用的反向钩子。
register_module_full_backward_pre_hook	注册一个所有模块通用的向后预钩子。
register_module_full_backward_hook	注册一个所有模块通用的反向钩子。
register_module_buffer_registration_hook	注册一个所有模块通用的缓冲区注册钩子。
register_module_module_registration_hook	注册一个所有模块通用的模块注册钩子。
register_module_parameter_registration_hook	注册一个所有模块通用的参数注册钩子。

卷积层

nn.卷积 1d	将 1D 卷积应用于由多个输入平面组成的输入信号。
nn.卷积 2d	将 2D 卷积应用于由多个输入平面组成的输入信号。
nn.卷积 3d	在由多个输入平面组成的输入信号上应用 3D 卷积。
nn.ConvTranspose1d （卷积转置1d）	将 1D 转置卷积运算符应用于由多个输入平面组成的输入图像。
nn.ConvTranspose2d （凹凸变换2d）	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。
nn.ConvTranspose3d （卷积转置3d）	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。
nn.LazyConv1d	具有参数延迟初始化的模块。in_channels
nn.LazyConv2d	具有参数延迟初始化的模块。in_channels
nn.LazyConv3d	具有参数延迟初始化的模块。in_channels
nn.LazyConvTranspose1d （懒惰变换Transpose1d）	具有参数延迟初始化的模块。in_channels
nn.LazyConvTranspose2d （懒惰变换Transpose2d）	具有参数延迟初始化的模块。in_channels
nn.LazyConvTranspose3d	具有参数延迟初始化的模块。in_channels
nn.展开	从批处理的输入张量中提取滑动局部块。
nn.倍	将一组滑动的局部块组合成一个大的包含张量。

池化层

nn.最大池 1d	在由多个输入平面组成的输入信号上应用 1D 最大池化。
nn.MaxPool2d	在由多个输入平面组成的输入信号上应用 2D 最大池化。
nn.最大池3d	在由多个输入平面组成的输入信号上应用 3D 最大池化。
nn.MaxUnpool1d	计算 的偏逆 。MaxPool1d
nn.MaxUnpool2d	计算 的偏逆 。MaxPool2d
nn.MaxUnpool3d	计算 的偏逆 。MaxPool3d
nn.平均池 1d	在由多个输入平面组成的输入信号上应用 1D 平均池化。
nn.平均池 2d	在由多个输入平面组成的输入信号上应用 2D 平均池化。
nn.平均池3d	在由多个输入平面组成的输入信号上应用 3D 平均池化。
nn.分数最大池 2d	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。
nn.分数最大池3d	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。
nn.LPPool1d	在由多个输入平面组成的输入信号上应用 1D 功率平均池化。
nn.LPPool2d	在由多个输入平面组成的输入信号上应用 2D 功率平均池。
nn.LPPool3d	在由多个输入平面组成的输入信号上应用 3D 功率平均池化。
nn.AdaptiveMaxPool1d	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。
nn.AdaptiveMaxPool2d	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。
nn.AdaptiveMaxPool3d	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。
nn.AdaptiveAvgPool1d	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。
nn.AdaptiveAvgPool2d	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。
nn.AdaptiveAvgPool3d	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。

填充层

nn.反射板 1d	使用输入边界的反射填充输入张量。
nn.反射垫 2d	使用输入边界的反射填充输入张量。
nn.反射板 3d	使用输入边界的反射填充输入张量。
nn.ReplicationPad1d	使用输入边界的复制填充输入张量。
nn.ReplicationPad2d	使用输入边界的复制填充输入张量。
nn.复制板3d	使用输入边界的复制填充输入张量。
nn.零垫1d	用零填充 input tensor 边界。
nn.零垫 2d	用零填充 input tensor 边界。
nn.零垫3d	用零填充 input tensor 边界。
nn.ConstantPad1d	用常量值填充输入张量边界。
nn.ConstantPad2d	用常量值填充输入张量边界。
nn.ConstantPad3d	用常量值填充输入张量边界。
nn.CircularPad1d	使用输入边界的圆形填充来填充输入张量。
nn.CircularPad2d	使用输入边界的圆形填充来填充输入张量。
nn.CircularPad3d 系列	使用输入边界的圆形填充来填充输入张量。

非线性激活 （加权和、非线性）

nn.ELU	按元素应用 Exponential Linear Unit （ELU） 函数。
nn.硬收缩	按元素应用 Hard Shrinkage （Hardshrink） 功能。
nn.硬乙状结肠	按元素应用 Hardsigmoid 函数。
nn.哈尔坦	按元素应用 HardTanh 函数。
nn.硬打	按元素应用 Hardswish 函数。
nn.泄漏的	按元素应用 LeakyReLU 函数。
nn.对数	按元素应用 Logsigmoid 函数。
nn.多头注意	允许模型共同关注来自不同表示子空间的信息。
nn.PReLU	应用元素级 PReLU 函数。
nn.ReLU 系列	按元素应用修正的线性单元函数。
nn.ReLU6	按元素应用 ReLU6 函数。
nn.RReLU	按元素应用随机泄漏整流线性单元函数。
nn.色鲁	按元素应用 SELU 函数。
nn.CELU 餐厅	按元素应用 CELU 函数。
nn.格鲁	应用 Gaussian Error Linear Units 功能。
nn.乙状结肠	按元素应用 Sigmoid 函数。
nn.硅化卢	按元素应用 Sigmoid 线性单元 （SiLU） 功能。
nn.米什	按元素应用 Mish 函数。
nn.软加	按元素应用 Softplus 函数。
nn.软收缩	按元素应用软收缩功能。
nn.软签	应用元素级 Softsign 函数。
nn.谭	按元素应用 Hyperbolic Chung （Tanh） 函数。
nn.Tanhshrink	应用元素级 Tanhshrink 函数。
nn.门槛	对输入 Tensor 的每个元素进行阈值设置。
nn.GLU	应用门控线性单元功能。

非线性激活 （其他）

nn.软敏	将 Softmin 函数应用于 n 维输入 Tensor。
nn.Softmax	将 Softmax 函数应用于 n 维输入 Tensor。
nn.Softmax2d 软件	将 SoftMax 应用于每个空间位置的特征。
nn.对数软最大	应用$\log(\text{Softmax}(x))$函数转换为 n 维输入 Tensor。
nn.AdaptiveLogSoftmaxWithLoss	高效的 softmax 近似。

归一化图层

nn.批量规范1d	对 2D 或 3D 输入应用批量归一化。
nn.BatchNorm2d	对 4D 输入应用批量归一化。
nn.BatchNorm3d	对 5D 输入应用批量归一化。
nn.LazyBatchNorm1d	具有延迟初始化的模块。
nn.LazyBatchNorm2d	具有延迟初始化的模块。
nn.LazyBatchNorm3d	具有延迟初始化的模块。
nn.GroupNorm 公司	对一小批输入应用组归一化。
nn.SyncBatchNorm	对 N 维输入应用批量归一化。
nn.实例规范 1d	应用实例标准化。
nn.实例规范 2d	应用实例标准化。
nn.实例 Norm3d	应用实例标准化。
nn.LazyInstanceNorm1d	具有参数延迟初始化的模块。num_features
nn.LazyInstanceNorm2d	具有参数延迟初始化的模块。num_features
nn.LazyInstanceNorm3d	具有参数延迟初始化的模块。num_features
nn.层规范	对一小批输入应用 Layer Normalization。
nn.LocalResponseNorm 的	对输入信号应用局部响应归一化。
nn.RMS数字	对一小批输入应用均方根层归一化。

循环层

nn.RNNBase	RNN 模块的基类（RNN、LSTM、GRU）。
nn.循环神经网络	应用多层 Elman RNN$\tanh$或$\text{ReLU}$nonlinearity 到 input 序列。
nn.LSTM 系列	将多层长短期记忆 （LSTM） RNN 应用于输入序列。
nn.格鲁乌	将多层门控循环单元 （GRU） RNN 应用于输入序列。
nn.RNNCell	具有 tanh 或 ReLU 非线性的 Elman RNN 单元。
nn.LSTMCell	较长的短期记忆 （LSTM） 单元。
nn.GRUCell	门控循环单元 （GRU） 单元。

变压器层

nn.变压器	transformer 模型。
nn.变压器编码器	TransformerEncoder 是 N 个编码器层的堆栈。
nn.TransformerDecoder （变压器解码器）	TransformerDecoder 是 N 个解码器层的堆栈。
nn.TransformerEncoderLayer	TransformerEncoderLayer 由 self-attn 和前馈网络组成。
nn.TransformerDecoderLayer	TransformerDecoderLayer 由 self-attn、multi-head-attn 和前馈网络组成。

线性层

nn.身份	不区分参数的占位符标识运算符。
nn.线性	对传入数据应用仿射线性变换：$y = xA^T + b$.
nn.双	将双线性变换应用于传入数据：$y = x_1^T A x_2 + b$.
nn.LazyLinear （懒惰线性）	推断 in_features 的模块。

Dropout 图层

nn.辍学	在训练过程中，使用 probability 将输入张量的某些元素随机归零。p
nn.辍学1d	随机将整个通道清零。
nn.辍学2d	随机将整个通道清零。
nn.辍学3d	随机将整个通道清零。
nn.Alpha Dropout （阿尔法辍学）	将 Alpha Dropout 应用于输入。
nn.Alpha Dropout 功能	随机遮罩整个通道。

稀疏层

nn.嵌入	一个简单的查找表，用于存储固定字典和大小的嵌入。
nn.嵌入包	计算嵌入的 'bags' 的总和或平均值，而不实例化中间嵌入。

距离函数

nn.余弦相似性	返回 之间的余弦相似度$x_1$和$x_2$，沿 dim 计算。
nn.PairwiseDistance （配对距离）	计算输入向量之间或输入矩阵列之间的成对距离。

损失函数

nn.L1Loss	创建一个标准，用于测量输入中每个元素之间的平均绝对误差 （MAE）$x$和目标$y$.
nn.MSELoss	创建一个标准，用于测量输入中每个元素之间的均方误差（平方 L2 范数）$x$和目标$y$.
nn.CrossEntropyLoss	该准则计算 input logit 和 target 之间的交叉熵损失。
nn.CTCLoss	Connectionist Temporal Classification 损失。
nn.NLLLoss	负对数似然损失。
nn.泊松NLLLoss	目标泊松分布的负对数似然损失。
nn.高斯 NLLLoss	高斯负对数似然损失。
nn.KLDivLoss	Kullback-Leibler 背离损失。
nn.BCELoss	创建一个标准，用于测量目标概率和输入概率之间的二进制交叉熵：
nn.BCEWithLogitsLoss	这种损失将 Sigmoid 层和 BCELoss 组合在一个类中。
nn.MarginRankingLoss （利润率排名损失）	创建一个标准来衡量给定输入的损失$x1$,$x2$、两个 1D 小批量或 0D 张量，以及一个标签 1D 小批量或 0D 张量 $y$（包含 1 或 -1）。
nn.HingeEmbeddingLoss	测量给定输入张量的损失$x$和一个 labels 张量$y$（包含 1 或 -1）。
nn.MultiLabelMarginLoss	创建一个标准，用于优化输入之间的多类多分类铰链损失（基于边际的损失）$x$（一个 2D 小批量 Tensor）和输出$y$（这是目标类索引的 2D 张量）。
nn.HuberLoss	创建一个条件，如果绝对元素误差低于 delta，则使用平方项，否则使用 delta 缩放的 L1 项。
nn.平滑 L1Loss	创建一个标准，如果绝对元素误差低于 beta，则使用平方项，否则使用 L1 项。
nn.SoftMarginLoss	创建一个标准，用于优化输入张量之间的两类分类 logistic loss$x$和目标张量$y$（包含 1 或 -1）。
nn.MultiLabelSoftMarginLoss	创建一个标准，该标准根据输入之间的最大熵优化多标签一对多损失$x$和目标$y$大小$(N, C)$.
nn.CosineEmbeddingLoss	创建一个标准来测量给定输入张量的损失$x_1$,$x_2$和一个 Tensor 标签$y$值为 1 或 -1。
nn.MultiMarginLoss （多边际亏损）	创建一个标准，用于优化输入之间的多类分类铰链损失（基于边际的损失）$x$（一个 2D 小批量 Tensor）和输出$y$（这是目标类索引的 1D 张量，$0 \leq y \leq \text{x.size}(1)-1$):
nn.TripletMarginLoss	创建一个标准，用于测量给定输入张量的三元组损失$x1$,$x2$,$x3$以及值大于$0$.
nn.TripletMarginWithDistanceLoss	创建一个标准，用于测量给定输入张量的三元组损失$a$,$p$和$n$（分别表示锚点、正例和负例）和用于计算锚点和正例（“正距离”）和锚点和负例（“负距离”）之间的关系的非负实值函数（“距离函数”）。

Vision Layers

nn.像素随机播放	根据放大因子重新排列张量中的元素。
nn.PixelUnshuffle （像素取消随机播放）	反转 PixelShuffle 操作。
nn.上采样	对给定的多通道 1D（时间）、2D（空间）或 3D（体积）数据进行上采样。
nn.UpsamplingNearest2d （升采样最近2d）	将 2D 最近邻上采样应用于由多个输入通道组成的输入信号。
nn.UpsamplingBilinear2d （上采样双线性 2d）	将 2D 双线性上采样应用于由多个输入通道组成的输入信号。

随机排列图层

nn.ChannelShuffle （频道随机播放）

划分和重新排列张量中的通道。

DataParallel Layers（多 GPU，分布式）

nn.DataParallel 数据并行	在模块级别实现数据并行。
nn.parallel.DistributedDataParallel	基于模块级别实现分布式数据并行。torch.distributed

公用事业

从模块中：torch.nn.utils

用于剪辑参数渐变的实用函数。

clip_grad_norm_	裁剪参数可迭代对象的梯度范数。
clip_grad_norm	裁剪参数可迭代对象的梯度范数。
clip_grad_value_	将参数可迭代对象的渐变剪辑为指定值。

用于将 Module 参数展平和从单个向量展平和取消展平的实用函数。

parameters_to_vector	将参数的可迭代对象展平为单个 vector。
vector_to_parameters	将 vector 的切片复制到参数的可迭代对象中。

将 Module 与 BatchNorm 模块融合的 Utility 函数。

fuse_conv_bn_eval	将卷积模块和 BatchNorm 模块融合成一个新的卷积模块。
fuse_conv_bn_weights	将卷积模块参数和 BatchNorm 模块参数融合为新的卷积模块参数。
fuse_linear_bn_eval	将线性模块和 BatchNorm 模块融合成一个新的线性模块。
fuse_linear_bn_weights	将线性模块参数和 BatchNorm 模块参数融合为新的线性模块参数。

用于转换 Module 参数内存格式的 Utility 函数。

convert_conv2d_weight_memory_format	转换为 .memory_formatnn.Conv2d.weightmemory_format
convert_conv3d_weight_memory_format	转换为 转换递归应用于嵌套 ，包括 。memory_formatnn.Conv3d.weightmemory_formatnn.Modulemodule

用于从 Module 参数中应用和删除权重归一化的实用函数。

weight_norm	将权重标准化应用于给定模块中的参数。
remove_weight_norm	从模块中删除权重规范化重新参数化。
spectral_norm	将频谱归一化应用于给定模块中的参数。
remove_spectral_norm	从模块中删除光谱归一化重新参数化。

用于初始化 Module 参数的实用函数。

skip_init

给定一个模块类 object 和 args / kwargs，在不初始化参数/缓冲区的情况下实例化模块。

用于修剪 Module 参数的 Util 类和函数。

修剪。BasePruningMethod	用于创建新修剪技术的抽象基类。
修剪。PruningContainer	Container 包含一系列用于迭代修剪的修剪方法。
修剪。身份	实用程序修剪方法，不修剪任何单元，但生成带有 1 掩码的修剪参数化。
修剪。RandomUnstructured	随机修剪张量中的（当前未修剪）单元。
修剪。L1非结构化	通过将具有最低 L1 范数的单元归零来修剪张量中的单元（当前未修剪）。
修剪。随机结构化	随机修剪张量中的整个（当前未修剪）通道。
修剪。Ln结构化	根据 L-norm 修剪张量中的整个（当前未修剪）通道。n
修剪。CustomFromMask （自定义蒙版）
prune.identity 文件	应用修剪重新参数化，而不修剪任何单位。
prune.random_unstructured	通过删除随机（当前未修剪）单元来修剪张量。
prune.l1_unstructured	通过删除具有最低 L1 范数的单元来修剪张量。
prune.random_structured	通过删除沿指定维度的随机通道来修剪张量。
prune.ln_structured	通过删除沿指定维度具有最低 L 范数的通道来修剪张量。n
prune.global_unstructured	通过应用指定的 .parameterspruning_method
prune.custom_from_mask	通过在 中应用预先计算的掩码来修剪与调用的参数对应的张量。namemodulemask
prune.remove 删除	从模块中删除 pruning reparameterization，从 forward hook 中删除 pruning 方法。
prune.is_pruned	通过查找 pruning pre-hooks 来检查模块是否被修剪。

使用新的参数化功能实现参数化 在。torch.nn.utils.parameterize.register_parametrization()

parametrizations.orthogonal	将正交或酉参数化应用于矩阵或一批矩阵。
parametrizations.weight_norm	将权重标准化应用于给定模块中的参数。
parametrizations.spectral_norm	将频谱归一化应用于给定模块中的参数。

用于在现有 Module 上参数化 Tensor 的实用函数。 请注意，这些函数可用于参数化给定的 Parameter 或 Buffer 给定一个特定函数，该函数从输入空间映射到 参数化空间。它们不是会转换的参数化 将对象转换为参数。有关如何实现自己的参数化的更多信息，请参阅 Parametrizations 教程。

parametrize.register_parametrization	将参数化注册到模块中的张量。
parametrize.remove_parametrizations	删除模块中张量的参数化。
parametrize.cached	上下文管理器，该管理器在 注册到 的参数化中启用缓存系统。register_parametrization()
parametrize.is_parametrized	确定模块是否具有参数化。

parametrize.参数化列表

一个顺序容器，用于保存和管理参数化 .

以无状态方式调用给定 Module 的 Utility 函数。

stateless.functional_call

通过将模块参数和缓冲区替换为提供的参数和缓冲区，对模块执行功能调用。

其他模块中的实用函数

nn.utils.rnn.PackedSequence	保存打包序列的数据和列表。batch_sizes
nn.utils.rnn.pack_padded_sequence	打包一个包含可变长度的填充序列的 Tensor。
nn.utils.rnn.pad_packed_sequence	填充一批可变长度序列。
nn.utils.rnn.pad_sequence	用 .padding_value
nn.utils.rnn.pack_sequence	打包可变长度 Tensor 的列表。
nn.utils.rnn.unpack_sequence	将 PackedSequence 解压缩到可变长度 Tensor 列表中。
nn.utils.rnn.unpad_sequence	Unpad 填充的 Tensor 到可变长度的 Tensor 列表中。

nn.扁平 化	将连续范围的 dim 展平为张量。
nn.取消拼合	展开 tensor dim 并将其扩展为所需的形状。

量化函数

量化是指以低于 浮点精度。PyTorch 支持每张量和每通道非对称线性量化。要了解有关如何在 PyTorch 中使用量化函数的更多信息，请参阅量化文档。

惰性模块初始化

nn.modules.lazy.LazyModuleMixin

一个用于延迟初始化参数的模块的 mixin，也称为 “lazy modules”。

别名

以下是 中对应项的别名：torch.nn

nn.modules.normalization.RMSNorm

对一小批输入应用均方根层归一化。