代码拉取完成，页面将自动刷新
torch.nn.functional.conv1d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor
对由几个平面组成的输入进行卷积操作 对于细节和输出形状，详细可见Conv1d
input：输入的张量形状(minibatch x in_channels x iW)
weight – 过滤器的形状 (out_channels, in_channels, kW)
bias – 可选偏置的形状(out_channels)默认值：None
stride – 卷积内核的步长，默认为 1
padding – 输入上的隐含零填充。可以是单个数字或元组。默认值:0
dilation – 内核元素之间的间距。默认值:1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
举例：
>>> filters = autograd.Variable(torch.randn(33, 16, 3)
>>> inputs = autograd.Variable(torch.randn(20, 16, 50))
>>> F.conv1d(inputs, filters)
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor
在由几个输入平面组成的输入图像上应用 2D 卷积。 对于细节和输出形状详细可见Conv2d
input – 输入的张量 (minibatch x in_channels x iH x iW)
weight – 过滤器 (out_channels, in_channels/groups, kH, kW)
bias – 可选偏置张量(out_channels)。默认值：None
stride – 卷积核的步长，可以是单个数字或元组（sh x sw）。默认值：1
padding – 输入中默认 0 填充。可以是单个数字或元组。默认值:0
dilation – 核元素之间的间距。默认值：1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
举例：
>>> # With square kernels and equal stride
>>> filters = torch.randn(8,4,3,3)
>>> inputs = torch.randn(1,4,5,5)
>>> F.conv2d(inputs, filters, padding=1)
torch.nn.functional.conv3d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor
在由几个输入平面组成的输入图像上应用 3D 卷积。 对于细节和输出形状，查看Conv3d
input – 输入张量的形状 (minibatch x in_channels x iT x iH x iW)
weight – 过滤器的形状 (out_channels x in_channels/groups x kT x kH x kW)
bias – 可选的偏差项的大小(out_channels).默认值是：None
stride – 卷积核的步长，可以是单个数字或元组（st x sh x sw).默认值：1
padding – 在输入中默认的 0 填充。可以是单个数字或元组(padT, padH, padW).默认值:0
dilation – 核元素之间的间距(dT, dH, dW)。默认值：1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
>>> filters = torch.randn(33, 16, 3, 3, 3)
>>> inputs = torch.randn(20, 16, 50, 10, 20)
>>> F.conv3d(inputs, filters)
torch.nn.functional.conv_transpose1d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor
在由几个输入平面组成的输入图像上应用 1D 转置卷积，有时也被称为去卷积。 有关详细信息和输出形状，参考ConvTranspose1d。
input：输入的张量形状(minibatch x in_channels x iW)
weight – 过滤器的形状 (in_channels x out_channels/groups x kW)
bias – 可选偏置的形状(out_channels)默认值：None
stride – 卷积内核的步长，也可以是一个数字或者元组（sW），默认为 1
padding – 输入上的隐含零填充(0≤padding<stride)。可以是单个数字或者元组（padW）。默认值:0
output_padding-在两端的进行 0 填充（0≤padding<stride），可以是个单一数字或者元组(out_padW)。默认是 0。
dilation – 内核元素之间的间距。可以是单个数字或者元组（dW）。默认值:1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
>>> inputs = torch.randn(20, 16, 50)
>>> weights = torch.randn(16, 33, 5)
>>> F.conv_transpose1d(inputs, weights)
>
torch.nn.functional.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor
在由几个输入平面组成的输入图像上应用 2D 转置卷积，有时也被称为去卷积。 有关详细信息和输出形状，参考ConvTranspose2d。
input：输入的张量形状(minibatch x in_channels x iH x iW)
weight – 过滤器的形状 (in_channels x out_channels/groups x kH x kW)
bias – 可选偏置的形状(out_channels)默认值：None
stride – 卷积内核的步长，也可以是一个数字或者元组（sH，sW），默认为 1
padding – 输入上的隐含零填充(0≤padding<stride)。可以是单个数字或者元组（padH，padW）。默认值:0
output_padding-在两端的进行 0 填充（0≤padding<stride），可以是个单一数字或者元组( out_padH, out_padW)。默认是 0。
dilation – 内核元素之间的间距。可以是单个数字或者元组（dH,dW）。默认值:1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
>>> # With square kernels and equal stride
>>> inputs = torch.randn(1, 4, 5, 5)
>>> weights = torch.randn(4, 8, 3, 3)
>>> F.conv_transpose2d(inputs, weights, padding=1)
torch.nn.functional.conv_transpose3d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor
source 在由几个输入平面组成的输入图像上应用 3D 转置卷积，有时也被称为去卷积。 有关详细信息和输出形状，参考ConvTranspose3d。
input：输入的张量形状(minibatch x in_channels x iT x iH x iW)
weight – 过滤器的形状 (in_channels x out_channels/groups x kT x kH x kW)
bias – 可选偏置的形状(out_channels)默认值：None
stride – 卷积内核的步长，也可以是一个数字或者元组（sT,sH，sW），默认为 1
padding – 在输入的两端上的隐含零填充。可以是单个数字或者元组（padT,padH，padW）。默认值:0
output_padding-在两端的进行 0 填充（0≤padding<stride），可以是个单一数字或者元组(out_padT, out_padH, out_padW)。默认是 0。
dilation – 内核元素之间的间距。可以是单个数字或者元组（dT,dH,dW）。默认值:1
groups – 将输入分成组，in_channels 应该被组数整除。默认值：1
>>> inputs = torch.randn(20, 16, 50, 10, 20)
>>> weights = torch.randn(16, 33, 3, 3, 3)
>>> F.conv_transpose3d(inputs, weights)
torch.nn.functional.avg_pool1d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)
对由几个输入平面组成的输入进行 1D 平均池化。 有关详细信息和输出形状，参考AvgPool1d
input – 输入的张量 (minibatch x in_channels x iW)
kernel_size – 池化区域的大小，可以是单个数字或者元组 (kw)
stride – 池化操作的步长，可以是单个数字或者元组 (ssw)。默认值等于内核大小
padding – 在输入上隐式的零填充，可以是单个数字或者一个元组 ( padw)，默认: 0
ceil_mode – 当为 True 时，公式中将使用 ceil 而不是 floor 来计算输出形状。默认值：False
count_include_pad – 当为 True 时，将包括平均计算中的零填充。默认值：True
>>> # pool of square window of size=3, stride=2
>>> input = torch.tensor([[[1,2,3,4,5,6,7]]])
>>> F.avg_pool1d(input, kernel_size=3, stride=2)
tensor([[[ 2., 4., 6.]]])
torch.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True) → Tensor
通过步长 dh x dw 步骤在 kh x kw 区域中应用二维平均池操作。输出特征的数量等于输入平面的数量。
有关详细信息和输出形状，参考AvgPool2d
input – 输入的张量 (minibatch x in_channels x iH x iW)
kernel_size – 池化区域的大小，可以是单个数字或者元组 (kh x kw)
stride – 池化操作的步长，可以是单个数字或者元组 (sh x sw)。默认值等于内核大小
padding – 在输入上隐式的零填充，可以是单个数字或者一个元组 (padh x padw)，默认: 0
ceil_mode – 当为 True 时，公式中将使用 ceil 而不是 floor 来计算输出形状。默认值：False
count_include_pad – 当为 True 时，将包括平均计算中的零填充。默认值：True
torch.nn.functional.avg_pool3d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True) → Tensor
通过步长 dt x dh x dw 步骤在 kt x kh x kw 区域中应用 3D 平均池操作。输出功能的数量等于输入平面数/ dt。 有关详细信息和输出形状，参考AvgPool3d
input – 输入的张量 (minibatch x in_channels x iT x iH x iW)
kernel_size – 池化区域的大小，可以是单个数字或者元组 (kT x kh x kw)
stride – 池化操作的步长，可以是单个数字或者元组 (sT x sh x sw)。默认值等于内核大小
padding – 在输入上隐式的零填充，可以是单个数字或者一个元组 (padT x padh x padw)，默认: 0
ceil_mode – 当为 True 时，公式中将使用 ceil 而不是 floor 来计算输出形状。默认值：False
count_include_pad – 当为 True 时，将包括平均计算中的零填充。默认值：True
torch.nn.functional.max_pool1d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
对由几个输入平面组成的输入进行 1D 最大池化。 有关详细信息和输出形状，参考MaxPool1d
torch.nn.functional.max_pool2d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
对由几个输入平面组成的输入进行 2D 最大池化。 有关详细信息和输出形状，参考MaxPool2d
torch.nn.functional.max_pool3d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
对由几个输入平面组成的输入进行 3D 最大池化。 有关详细信息和输出形状，参考MaxPool3d
torch.nn.functional.max_unpool1d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
计算 MaxPool1d 的部分逆。
有关详细信息和输出形状，参考MaxUnPool1d
torch.nn.functional.max_unpool2d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
计算 MaxPool2d 的部分逆。
有关详细信息和输出形状，参考MaxUnPool2d
torch.nn.functional.max_unpool3d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
计算 MaxPool3d 的部分逆。
有关详细信息和输出形状，参考MaxUnPool3d
torch.nn.functional.lp_pool1d(input, norm_type, kernel_size, stride=None, ceil_mode=False)
适用在几个输入平面组成的输入信号的 1D power-平均池。
有关详细信息LPPool1d
torch.nn.functional.lp_pool2d(input, norm_type, kernel_size, stride=None, ceil_mode=False)
适用在几个输入平面组成的输入信号的 2D power-平均池。
有关详细信息LPPool2d
torch.nn.functional.adaptive_max_pool1d(input, output_size, return_indices=False)
对由多个输入平面组成的输入进行 1D 自适应最大池化。
有关详细信息可见AdaptiveMaxPool1d
torch.nn.functional.adaptive_max_pool2d(input, output_size, return_indices=False)
对由多个输入平面组成的输入进行 2D 自适应最大池化。
有关详细信息可见AdaptiveMaxPool2d
torch.nn.functional.adaptive_max_pool3d(input, output_size, return_indices=False)
对由多个输入平面组成的输入进行 3D 自适应最大池化。
有关详细信息可见AdaptiveMaxPool3d
torch.nn.functional.adaptive_avg_pool1d(input, output_size) → Tensor
对由多个输入平面组成的输入进行 1D 自适应平均池化。
有关详细信息可见AdaptiveAvgPool1d
torch.nn.functional.adaptive_avg_pool2d(input, output_size) → Tensor
对由多个输入平面组成的输入进行 2D 自适应平均池化。
有关详细信息可见AdaptiveAvgPool2d
torch.nn.functional.adaptive_avg_pool3d(input, output_size) → Tensor
对由多个输入平面组成的输入进行 3D 自适应平均池化。
有关详细信息可见AdaptiveAvgPool3d
torch.nn.functional.threshold(input, threshold, value, inplace=False)
对于输入的张量进行筛选
详细请看Threshold
torch.nn.functional.threshold_(input, threshold, value)
和 threshold 函数一样
详细请看Threshold
torch.nn.functional.relu(input, inplace=False) → Tensor
torch.nn.functional.relu_(input) → Tensor
对输入元素应用 relu 函数
详细请看Relu
torch.nn.functional.hardtanh(input, min_val=-1., max_val=1., inplace=False) → Tensor
torch.nn.functional.hardtanh_(input, min_val=-1., max_val=1.) → Tensor
对输入元素应用 HardTanh 函数
详细请看Hardtanh
torch.nn.functional.relu6(input, inplace=False) → Tensor
对输入元素应用 ReLU6 函数 ReLU6(x)=min(max(0,x),6)
详细请看ReLU6
torch.nn.functional.elu(input, alpha=1.0, inplace=False)
torch.nn.functional.elu_(input, alpha=1.) → Tensor
对输入元素应用 ELU 函数 ELU(x)=max(0,x)+min(0,α∗(exp(x)−1))
详细请看ELU
torch.nn.functional.selu(input, inplace=False) → Tensor[source]
详细可见selu
torch.nn.functional.leaky_relu(input, negative_slope=0.01, inplace=False) → Tensor
torch.nn.functional.leaky_relu_(input, negative_slope=0.01) → Tensor
详细可见LeakyReLu
torch.nn.functional.prelu(input, weight) → Tensor
详细可见PRelu
torch.nn.functional.rrelu(input, lower=1./8, upper=1./3, training=False, inplace=False) → Tensor
torch.nn.functional.rrelu_(input, lower=1./8, upper=1./3, training=False) → Tensor
详细可见RRelu
torch.nn.functional.glu(input, dim=-1) → Tensor
门控制线性单元 H=A×σ(B),输入张量将被按照特定维度分成一半是 A，一半是 B
可以参看论文Language Modeling with Gated Convolutional Networks
input：输入的张量
dim：需要被分割的输入张量的维度
torch.nn.functional.logsigmoid(input) → Tensor
具体细节可以看LogSigmoid
torch.nn.functional.hardshrink(input, lambd=0.5) → Tensor
具体细节可以看Hardshrink
torch.nn.functional.tanhshrink(input, lambd=0.5) → Tensor
具体细节可以看Tanhshrink
torch.nn.functional.softsign(input, lambd=0.5) → Tensor
具体细节可以看Softsign
torch.nn.functional.softplus(input, beta=1, threshold=20) → Tensor
torch.nn.functional.softmin(input, dim=None, _stacklevel=3)
应用 softmin 函数 请注意 Softmin（x）= Softmax（-x）。 请参阅数学公式的 softmax 定义。
具体细节可以看Softmin
input:输入张量
dim：softmin 将被计算的维度（因此每个沿着 dim 的切分将总计为 1）。
torch.nn.functional.softmax(input, dim=None, _stacklevel=3
Softmax(x_i)=exp(x_i)/∑_jexp(x_j)
它被应用于沿着对应维度的所有切分，并且将对它们进行重新缩放，以使得这些元素位于范围（0,1）中并且总计为 1。
具体细节可以看Softmax
input:输入张量
dim：softmax 被计算的维度。
torch.nn.functional.softshrink(input, lambd=0.5) → Tensor
具体细节可以看Softshrink
torch.nn.functional.log_softmax(input, dim=None, _stacklevel=3)
尽管在数学上等同于 log（softmax（x）），但单独执行这两个操作会更慢，并且数值不稳定。 该函数使用替代公式来正确计算输出和梯度。
具体细节可以看LogSoftmax
torch.nn.functional.tanh(input) → Tensor
具体细节可以看Tanh
torch.nn.functional.sigmoid(input) → Tensor
sigmoid(x) = 1/1+exp(-x)
具体细节可以看Sigmoid
torch.nn.functional.batch_norm(input, running_mean, running_var, weight=None, bias=None, training=False, momentum=0.1, eps=1e-05)
具体细节可以看BatchNorm1d BatchNorm2d BatchNorm3d
torch.nn.functional.instance_norm(input, running_mean=None, running_var=None, weight=None, bias=None, use_input_stats=True, momentum=0.1, eps=1e-05)
具体细节可以看InstanceNorm1d InstanceNorm2d InstanceNorm3d
torch.nn.functional.layer_norm(input, normalized_shape, weight=None, bias=None, eps=1e-05)
具体细节可以看LayerNorm
torch.nn.functional.local_response_norm(input, size, alpha=0.0001, beta=0.75, k=1)
对由多个输入平面组成的输入应用本地响应规范化，其中通道占据第二维。 通道应用归一化。
具体细节可以看LocalResponseNorm
torch.nn.functional.normalize(input, p=2, dim=1, eps=1e-12)
对指定维度的输入执行$$L_p$$标准化。
$$v = \frac{v}{\max(\lVert v \rVert_p, \epsilon)}$$
对于输入的维度 dim 的每个子扩展 v。 每个子扩张被平化成一个向量，即‖v‖p 不是一个矩阵范数。
使用默认参数在第二维上用欧几里得范数进行归一化。
input - 输入张量的形状
p（float） - 规范公式中的指数值。默认值：2
dim（int） - 要缩小的维度。默认值：1
eps（float） - 小值以避免除以零。默认值：1e-12
torch.nn.functional.linear(input, weight, bias=None)
对于输入数据进行线性变化:$$y = xA^T+b$$.
Input: (N,∗,in_features)(N,∗,in_features)这里的*表示为任意数量的附加维度
Weight: (out_features,in_features)(out_features,in_features)
Bias: (out_features)(out_features)
Output: (N,∗,out_features)
torch.nn.functional.dropout(input, p=0.5, training=False, inplace=False)
torch.nn.functional.alpha_dropout(input, p=0.5, training=False)
详细可见alpha_dropout
p(float,optional)-丢弃的可能性，默认是 0.5
training(bool,optinal)-在训练模型和验证模型之间的切换，默认是 false
torch.nn.functional.dropout2d(input, p=0.5, training=False, inplace=False)
torch.nn.functional.dropout3d(input, p=0.5, training=False, inplace=False)
torch.nn.functional.pairwise_distance(x1, x2, p=2, eps=1e-06, keepdim=False)
详细可见 PairwiseDistance
torch.nn.functional.cosine_similarity(x1, x2, dim=1, eps=1e-08)
计算向量 v1、v2 之间的距离 $$similarity = \frac{x_1 x x_2}{\max(\lVert v_1 \rVert_2 x \max(\lVert v_2 \rVert_2,\epsilon)}$$
x1 (Variable) – 首先输入参数.
x2 (Variable) – 第二个输入参数 (of size matching x1).
dim (int, optional) – 向量维数. 默认为: 1
eps (float, optional) – 小值避免被零分割。默认为: 1e-8 模型：
input: (∗1,D,∗2)(∗1,D,∗2) D 是位置维度
output: (∗1,∗2)(∗1,∗2) 1 是位置维度
>>> input1 = autograd.Variable(torch.randn(100, 128))
>>> input2 = autograd.Variable(torch.randn(100, 128))
>>> output = F.cosine_similarity(input1, input2)
>>> print(output)
torch.nn.functional.binary_cross_entropy(input, target, weight=None, size_average=True, reduce=True)
测量目标和输出之间的二进制交叉熵的函数。
详细可见BCELoss
input:任意维度
target：与输入维度相同
weight（张量，可选）：如果提供的权重矩阵能匹配输入张量形状，则手动调整重量
size_average(布尔值，可选)：默认情况下，对每个小批次的损失进行平均观察。 但是，如果 field size_average 设置为 False，则每个小批次的损失将相加。 默认值：True
reduce（布尔值，可选）:默认情况下，根据 size_average 的不同，对每个小批次的损失进行平均或累计。 当 reduce 为 False 时，将返回每个输入/目标元素的损失，而忽略 size_average。 默认值：True
>>> input = torch.randn((3, 2), requires_grad=True)
>>> target = torch.rand((3, 2), requires_grad=False)
>>> loss = F.binary_cross_entropy(F.sigmoid(input), target)
>>> loss.backward()
torch.nn.functional.poisson_nll_loss(input, target, log_input=True, full=False, size_average=True, eps=1e-08, reduce=True)
泊松负对数似然损失 详细可见PoissonNLLLoss
input：按照泊松分布的期望
target：随机样例 target~Poisson（input）
log_input:如果为真，则损失计算为 exp（inout）-target * input，如果为 False，则 input-target *log（input + eps）。 默认值：True
full:是否计算完全损失。即添加斯特林近似项。 默认值：False target * log（target）-target + 0.5 * log（2 *π* target)
size_average:默认情况下，对每个小批次的损失进行平均观察。 但是，如果 field size_average 设置为 False，则每个小批次的损失将相加。 默认值：True
eps（float，可选） - 当 log_input`=“False”时避免评估 log（0）log（0）的较小值。 默认：1e-8
reduce（布尔值，可选）:默认情况下，根据每个小批次的观测结果对损失进行平均，或根据 size_average 进行汇总。 如果 reduce 为 False，则返回每批损失，并忽略 size_average。 默认值：True
torch.nn.functional.cosine_embedding_loss(input1, input2, target, margin=0, size_average=True, reduce=True) → Tensor
torch.nn.functional.cross_entropy(input, target, weight=None, size_average=True, ignore_index=-100, reduce=True)
该标准将 log_softmax 和 nll_loss 结合在一个函数中。
input（张量）- (N,C) 其中，C 是类别的个数
target（张量）- (N) 其大小是 0 <= targets[i] <= C-1 1\. weight (Variable, optional) – (N) 其大小是 0 <= targets[i] <= C-1
weight (张量, optional) – 为每个类别提供的手动权重。如果给出，必须是大小为 C 的张量
size_average (bool, optional) – 默认情况下，是 mini-batchloss 的平均值；如果 size_average=False，则是 mini-batchloss 的总和。
ignore_index（int，可选） - 指定被忽略且不对输入渐变有贡献的目标值。当 size_average 为 True 时，对非忽略目标的损失是平均的。默认值：-100
reduce（布尔值，可选）-默认情况下，根据每个小批次的观测结果对损失进行平均，或根据 size_average 进行汇总。 如果 reduce 为 False，则返回每批损失，并忽略 size_average。 默认值：True
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randint(5, (3,), dtype=torch.int64)
>>> loss = F.cross_entropy(input, target)
>>> loss.backward()
torch.nn.functional.hinge_embedding_loss(input, target, margin=1.0, size_average=True, reduce=True) → Tensor
torch.nn.functional.kl_div(input, target, size_average=True) → Tensor
The Kullback-Leibler divergence Loss
详细可见KLDivLoss
input – 变量的任意形状
target - 与输入相同形状的变量
size_average – 如果是真的，输出就除以输入张量中的元素个数
reduce（布尔值，可选）-默认情况下，根据每个小批次的观测结果对损失进行平均，或根据 size_average 进行汇总。 如果 reduce 为 False，则返回每批损失，并忽略 size_average。 默认值：True
torch.nn.functional.l1_loss(input, target, size_average=True, reduce=True) → Tensor
详细可见L1Loss
torch.nn.functional.mse_loss(input, target, size_average=True, reduce=True) → Tensor
详细可见MSELoss
torch.nn.functional.margin_ranking_loss(input, target, size_average=True, reduce=True) → Tensor
torch.nn.functional.multilabel_soft_margin_loss(input, target, size_average=True, reduce=True) → Tensor
torch.nn.functional.multi_margin_loss(input, target, p=1, margin=1, weight=None, size_average=True, reduce=True) → Tensor
详细可见MultiMarginLoss
torch.nn.functional.nll_loss(input, target, weight=None, size_average=True, ignore_index=-100, reduce=True)
详细可见NLLLoss
input - \（（N，C）\）其中 C =类的数量或（ 2D，Loss ）的情况下的（N，C，H，W） target - \（（N）\），其中每个值为 0 <= targets [i] <= C-1
weight（可变，可选） - 给每个类别的手动重新调整重量。如果给定，必须变量大小是 C
size_average（bool，可选） - 默认情况下，损失是对每个小型服务器的观察值进行平均。如果 size_average 为 False，则对于每个 minibatch 都会将损失相加。默认值：True
ignore_index（int，可选） - 指定被忽略且不对输入渐变有贡献的目标值。当 size_average 为 True 时，对非忽略目标的损失是平均的。默认值：-100
>>> # input is of size N x C = 3 x 5
>>> input = torch.randn(3, 5, requires_grad=True)
>>> # each element in target has to have 0 <= value < C
>>> target = torch.tensor([1, 0, 4])
>>> output = F.nll_loss(F.log_softmax(input), target)
>>> output.backward()
torch.nn.functional.binary_cross_entropy_with_logits(input, target, weight=None, size_average=True, reduce=True)
测量目标和输出逻辑之间二进制十进制熵的函数
input - 任意形状的变量
target - 与输入形状相同的变量
weight（可变，可选） - 手动重量重量，如果提供重量以匹配输入张量形状
size_average（bool，可选） - 默认情况下，损失是对每个小型服务器的观察值进行平均。然而，如果字段 sizeAverage 设置为 False，则相应的损失代替每个 minibatch 的求和。默认值：True
reduce（布尔值，可选）-默认情况下，根据每个小批次的观测结果对损失进行平均，或根据 size_average 进行汇总。 如果 reduce 为 False，则返回每批损失，并忽略 size_average。 默认值：True
>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> loss = F.binary_cross_entropy_with_logits(input, target)
>>> loss.backward()
torch.nn.functional.smooth_l1_loss(input, target, size_average=True, reduce=True) → Tensor
详细可见SmoothL1Loss
torch.nn.functional.soft_margin_loss(input, target, size_average=True, reduce=True) → Tensor
详细可见Soft_margin_loss
torch.nn.functional.triplet_margin_loss(anchor, positive, negative, margin=1.0, p=2, eps=1e-06, swap=False, size_average=True, reduce=True)
torch.nn.functional.pixel_shuffle(input, upscale_factor)
将形状为[_, C_r^2, H, W]的张量重新排列成形状为[C, H_r, W_r]的张量.
详细请看PixelShuffle
input (Variable) – 输入
upscale_factor (int) – 增加空间分辨率的因子.
>>> ps = nn.PixelShuffle(3)
>>> input = autograd.Variable(torch.Tensor(1, 9, 4, 4))
>>> output = ps(input)
>>> print(output.size())
torch.Size([1, 1, 12, 12])
torch.nn.functional.pad(input, pad, mode='constant', value=0)
填充张量.
可以参考torch.nn.ConstantPad2d, torch.nn.ReflectionPad2d, 和 torch.nn.ReplicationPad2d对于每个填充模式如何工作的具体例子。
input (Variable) – 4D 或 5D tensor
pad (tuple) – 4 元素 或 6-元素 tuple
mode – ‘constant’, ‘reflect’ or ‘replicate’
value – 用于 constant padding 的值.
>>> t4d = torch.empty(3, 3, 4, 2)
>>> p1d = (1, 1) # pad last dim by 1 on each side
>>> out = F.pad(t4d, p1d, "constant", 0) # effectively zero padding
>>> print(out.data.size())
torch.Size([3, 3, 4, 4])
>>> p2d = (1, 1, 2, 2) # pad last dim by (1, 1) and 2nd to last by (2, 2)
>>> out = F.pad(t4d, p2d, "constant", 0)
>>> print(out.data.size())
torch.Size([3, 3, 8, 4])
>>> t4d = torch.empty(3, 3, 4, 2)
>>> p3d = (0, 1, 2, 1, 3, 3) # pad by (0, 1), (2, 1), and (3, 3)
>>> out = F.pad(t4d, p3d, "constant", 0)
>>> print(out.data.size())
torch.Size([3, 9, 7, 3])
torch.nn.functional.upsample(input, size=None, scale_factor=None, mode='nearest', align_corners=None)
Upsamples 输入内容要么就是给定的 size 或者 scale_factor 用于采样的算法是由模型决定的 目前支持的是空间和容量的采样，即期望输入的形状是 4-d 或 5-d。 输入尺寸被解释为:迷你批 x 通道 x 深度 x 高度 x 宽度 用于 upsampling 的模型是:线性的(仅 3D)，双线性的(仅 4D)，三线性(仅 5D)
input (Variable) – 输入内容
size (int or Tuple[int, int] or Tuple[int, int, int]) – 输出空间的大小。
scale_factor (int) – 乘数的空间大小。必须是一个整数。
mode (string) – 用于向上采样的算法: ‘nearest’ | ‘bilinear’ | ‘trilinear’
align_corners（bool，可选） - 如果为 True，则输入和输出张量的角点像素对齐，从而保留这些像素的值。 这只在模式为线性，双线性或三线性时才有效。 默认值：False
使用 align_corners = True 时，线性插值模式（线性，双线性和三线性）不会按比例对齐输出和输入像素，因此输出值可能取决于输入大小。
这是这些模式到版本 0.3.1 的默认行为。 此后，默认行为是 align_corners = False。 有关这将如何影响输出的具体示例，请参见 Upsample。
torch.nn.functional.upsample_nearest(input, size=None, scale_factor=None)
source 使用最接近的邻居的像素值来对输入进行采样。
此功能已弃用，以支持 torch.nn.functional.upsample（）。 这相当于 nn.functional.upsample（...，mode ='nearest'）。
目前支持空间和体积上采样（即预期的输入是 4 或 5 维）。
input (Variable) – 输入内容
size (int or Tuple[int, int]) – 输出空间的大小。
scale_factor (int or Tuple[int, int]) – 乘数的空间大小
torch.nn.functional.upsample_bilinear(input, size=None, scale_factor=None)
source 使用双线性向上采样来扩展输入
这个函数是被弃用的。使用 nn.functional。upsample 相反 预期的输入是空间的(4 维)。
使用 upsampletri 线性来进行体积(5 维)输入。
input (Variable) – 输入内容
size (int or Tuple[int, int]) – 输出空间的大小。
scale_factor (int or Tuple[int, int]) – 乘数的空间大小
torch.nn.functional.grid_sample(input, grid, mode='bilinear', padding_mode='zeros')
给定输入和流场网格，使用网格中的输入像素位置计算输出。
使用双线性插值来对输入像素进行采样。 目前，仅支持空间（4 维）和体积（5 维）输入。
对于每个输出位置，网格具有用于计算输出的 x，y 输入像素位置。 在 5D 输入的情况下，网格具有 x，y，z 像素位置。
grid 的值在[-1，1]的范围内。 这是因为像素位置是由输入高度和宽度标准化的。
例如，值：x：-1，y：-1 是输入的左上像素，值：x：1，y：1 是输入的右下像素。
如果 grid 的值超出[-1，1]的范围，则按 padding_mode 的定义处理这些位置。 选项为零或边框，定义这些位置以使用 0 或图像边界值作为对双线性插值的贡献。
input（Tensor） - 输入批次（N x C x IH x IW）或（N x C x ID x IH x IW）
grid（Tensor） - 尺寸（N x OH x OW x 2）或（N x OD x OH x OW x 3）的流场，
padding_mode（str） - 用于外部网格值“零”|的填充模式 '边境'。 默认值：'零'
output（tensor）
torch.nn.functional.affine_grid(theta, size)
生成一个 2d 流场，给定一批仿射矩阵 theta 通常与 grid_sample（）一起使用来实现 Spatial Transformer Networks。
theta（Tensor） - 输入一批仿射矩阵（N×2×3N×2×3）
size（torch.Size） - 目标输出图像尺寸（N×C×H×WN×C×H×W）例如：torch.Size（（32,3,24,24））
output（tensor）:输出张量大小 (N×H×W×2N×H×W×2)
torch.nn.parallel.data_parallel(module, inputs, device_ids=None, output_device=None, dim=0, module_kwargs=None)
在 device_ids 中给出的 GPU 上并行评估模块（输入）。 这是 DataParallel 模块的功能版本。
module - 并行评估的模块
input - 输入到模块
device_ids - 要在其上复制模块的 GPU ID
output_device - 输出的 GPU 位置使用-1 指示 CPU。 （默认：device_ids [0]）
包含位于 output_device 上的模块（输入）结果的张量
| 用户名 | 头像 | 职能 | 签名 |
|---|---|---|---|
| travel |  |
翻译 | 人生总要追求点什么 |
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。