torch.nn.functional

Convolution 函数

  1. torch.nn.functional.conv1d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

对几个输入平面组成的输入信号应用1D卷积。

有关详细信息和输出形状,请参见Conv1d

参数:

  • input – 输入张量的形状 (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)
  • stride – 卷积核的步长,默认为1

例子:

  1. >>> filters = autograd.Variable(torch.randn(33, 16, 3))
  2. >>> inputs = autograd.Variable(torch.randn(20, 16, 50))
  3. >>> F.conv1d(inputs, filters)
  1. torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

对几个输入平面组成的输入信号应用2D卷积。

有关详细信息和输出形状,请参见Conv2d

参数:

  • input – 输入张量 (minibatch x in_channels x iH x iW)
  • weight – 过滤器张量 (out_channels, in_channels/groups, kH, kW)
  • bias – 可选偏置张量 (out_channels)
  • stride – 卷积核的步长,可以是单个数字或一个元组 (sh x sw)。默认为1
  • padding – 输入上隐含零填充。可以是单个数字或元组。 默认值:0
  • groups – 将输入分成组,in_channels应该被组数除尽

例子:

  1. >>> # With square kernels and equal stride
  2. >>> filters = autograd.Variable(torch.randn(8,4,3,3))
  3. >>> inputs = autograd.Variable(torch.randn(1,4,5,5))
  4. >>> F.conv2d(inputs, filters, padding=1)
  1. torch.nn.functional.conv3d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

对几个输入平面组成的输入信号应用3D卷积。

有关详细信息和输出形状,请参见Conv3d

参数:

  • input – 输入张量的形状 (minibatch x in_channels x iT x iH x iW)
  • weight – 过滤器张量的形状 (out_channels, in_channels, kT, kH, kW)
  • bias – 可选偏置张量的形状 (out_channels)
  • stride – 卷积核的步长,可以是单个数字或一个元组 (sh x sw)。默认为1
  • padding – 输入上隐含零填充。可以是单个数字或元组。 默认值:0

例子:

  1. >>> filters = autograd.Variable(torch.randn(33, 16, 3, 3, 3))
  2. >>> inputs = autograd.Variable(torch.randn(20, 16, 50, 10, 20))
  3. >>> F.conv3d(inputs, filters)
  1. torch.nn.functional.conv_transpose1d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1)
  1. torch.nn.functional.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1)

在由几个输入平面组成的输入图像上应用二维转置卷积,有时也称为“去卷积”。

有关详细信息和输出形状,请参阅ConvTranspose2d

参数:

  • input – 输入张量的形状 (minibatch x in_channels x iH x iW)
  • weight – 过滤器的形状 (in_channels x out_channels x kH x kW)
  • bias – 可选偏置的形状 (out_channels)
  • stride – 卷积核的步长,可以是单个数字或一个元组 (sh x sw)。默认: 1
  • padding – 输入上隐含零填充。可以是单个数字或元组。 (padh x padw)。默认: 0
  • groups – 将输入分成组,in_channels应该被组数除尽
  • output_padding – 0 <= padding <stride的零填充,应该添加到输出。可以是单个数字或元组。默认值:0
  1. torch.nn.functional.conv_transpose3d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1)

在由几个输入平面组成的输入图像上应用三维转置卷积,有时也称为“去卷积”。

有关详细信息和输出形状,请参阅ConvTranspose3d

参数:

  • 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 (in_channels x out_channels x kH x kW)
  • bias – 可选偏置的形状 (out_channels)
  • stride – 卷积核的步长,可以是单个数字或一个元组 (sh x sw)。默认: 1
  • padding – 输入上隐含零填充。可以是单个数字或元组。 (padh x padw)。默认: 0

Pooling 函数

  1. 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信号进行一维平均池化。

有关详细信息和输出形状,请参阅AvgPool1d

参数:

  • kernel_size – 窗口的大小
  • stride – 窗口的步长。默认值为kernel_size
  • padding – 在两边添加隐式零填充
  • ceil_mode – 当为True时,将使用ceil代替floor来计算输出形状
  • count_include_pad – 当为True时,这将在平均计算时包括补零

例子:

  1. >>> # pool of square window of size=3, stride=2
  2. >>> input = Variable(torch.Tensor([[[1,2,3,4,5,6,7]]]))
  3. >>> F.avg_pool1d(input, kernel_size=3, stride=2)
  4. Variable containing:
  5. (0 ,.,.) =
  6. 2 4 6
  7. [torch.FloatTensor of size 1x1x3]
  1. torch.nn.functional.avg_pool2d(input, kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True)

在kh x kw区域中应用步长为dh x dw的二维平均池化操作。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,请参阅AvgPool2d

参数:

  • 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)。默认等于核的大小
  • 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 – 定义空间输出形状的操作
  • count_include_pad – 除以原始非填充图像内的元素数量或kh * kw
  1. torch.nn.functional.avg_pool3d(input, kernel_size, stride=None)

在kt x kh x kw区域中应用步长为dt x dh x dw的二维平均池化操作。输出特征的数量等于 input planes / dt。

  1. torch.nn.functional.max_pool1d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
  1. torch.nn.functional.max_pool2d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
  1. torch.nn.functional.max_pool3d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
  1. torch.nn.functional.max_unpool1d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
  1. torch.nn.functional.max_unpool2d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
  1. torch.nn.functional.max_unpool3d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
  1. torch.nn.functional.lp_pool2d(input, norm_type, kernel_size, stride=None, ceil_mode=False)
  1. torch.nn.functional.adaptive_max_pool1d(input, output_size, return_indices=False)

在由几个输入平面组成的输入信号上应用1D自适应最大池化。

有关详细信息和输出形状,请参阅AdaptiveMaxPool1d

参数:

  • output_size – 目标输出大小(单个整数)
  • return_indices – 是否返回池化的指数
  1. torch.nn.functional.adaptive_max_pool2d(input, output_size, return_indices=False)

在由几个输入平面组成的输入信号上应用2D自适应最大池化。

有关详细信息和输出形状,请参阅AdaptiveMaxPool2d

参数:

  • output_size – 目标输出大小(单整数或双整数元组)
  • return_indices – 是否返回池化的指数
  1. torch.nn.functional.adaptive_avg_pool1d(input, output_size)

在由几个输入平面组成的输入信号上应用1D自适应平均池化。

有关详细信息和输出形状,请参阅AdaptiveAvgPool1d

参数:

  • output_size – 目标输出大小(单整数或双整数元组)
  1. torch.nn.functional.adaptive_avg_pool2d(input, output_size)

在由几个输入平面组成的输入信号上应用2D自适应平均池化。

有关详细信息和输出形状,请参阅AdaptiveAvgPool2d

参数:

  • output_size – 目标输出大小(单整数或双整数元组)

非线性激活函数

  1. torch.nn.functional.threshold(input, threshold, value, inplace=False)
  1. torch.nn.functional.relu(input, inplace=False)
  1. torch.nn.functional.hardtanh(input, min_val=-1.0, max_val=1.0, inplace=False)
  1. torch.nn.functional.relu6(input, inplace=False)
  1. torch.nn.functional.elu(input, alpha=1.0, inplace=False)
  1. torch.nn.functional.leaky_relu(input, negative_slope=0.01, inplace=False)
  1. torch.nn.functional.prelu(input, weight)
  1. torch.nn.functional.rrelu(input, lower=0.125, upper=0.3333333333333333, training=False, inplace=False)
  1. torch.nn.functional.logsigmoid(input)
  1. torch.nn.functional.hardshrink(input, lambd=0.5)
  1. torch.nn.functional.tanhshrink(input)
  1. torch.nn.functional.softsign(input)
  1. torch.nn.functional.softplus(input, beta=1, threshold=20)
  1. torch.nn.functional.softmin(input)
  1. torch.nn.functional.softmax(input)
  1. torch.nn.functional.softshrink(input, lambd=0.5)
  1. torch.nn.functional.log_softmax(input)
  1. torch.nn.functional.tanh(input)
  1. torch.nn.functional.sigmoid(input)

Normalization 函数

  1. torch.nn.functional.batch_norm(input, running_mean, running_var, weight=None, bias=None, training=False, momentum=0.1, eps=1e-05)

线性函数

  1. torch.nn.functional.linear(input, weight, bias=None)

Dropout 函数

  1. torch.nn.functional.dropout(input, p=0.5, training=False, inplace=False)

距离函数(Distance functions)

  1. torch.nn.functional.pairwise_distance(x1, x2, p=2, eps=1e-06)

计算向量v1、v2之间的距离(成次或者成对,意思是可以计算多个,可以参看后面的参数)\left | x \right |{p}:=\left ( \sum{i=1}^{N}\left | x_{i}^{p} \right | \right )^{1/p}参数:

  • x1:第一个输入的张量
  • x2:第二个输入的张量
  • p:矩阵范数的维度。默认值是2,即二范数。

规格:

  • 输入:(N,D)其中D等于向量的维度
  • 输出:(N,1)

例子:

  1. >>> input1 = autograd.Variable(torch.randn(100, 128))
  2. >>> input2 = autograd.Variable(torch.randn(100, 128))
  3. >>> output = F.pairwise_distance(input1, input2, p=2)
  4. >>> output.backward()

损失函数(Loss functions)

  1. torch.nn.functional.nll_loss(input, target, weight=None, size_average=True)

负的log likelihood损失函数. 详细请看NLLLoss.

参数:

  • input - (N,C) C 是类别的个数
  • target - (N) 其大小是 0 <= targets[i] <= C-1
  • weight (Variable, optional) – 一个可手动指定每个类别的权重。如果给定的话,必须是大小为nclasses的Variable
  • size_average (bool, optional) – 默认情况下,是mini-batchloss的平均值,然而,如果size_average=False,则是mini-batchloss的总和。

Variables:

  • weight – 对于constructor而言,每一类的权重作为输入
  1. torch.nn.functional.kl_div(input, target, size_average=True)

KL 散度损失函数,详细请看KLDivLoss

参数:

  • input – 任意形状的 Variable
  • target – 与输入相同形状的 Variable
  • size_average – 如果为TRUE,loss则是平均值,需要除以输入 tensor 中 element 的数目
  1. torch.nn.functional.cross_entropy(input, target, weight=None, size_average=True)

该函数使用了 log_softmax 和 nll_loss,详细请看CrossEntropyLoss

参数:

  • input - (N,C) 其中,C 是类别的个数
  • target - (N) 其大小是 0 <= targets[i] <= C-1
  • weight (Variable, optional) – 一个可手动指定每个类别的权重。如果给定的话,必须是大小为nclasses的Variable
  • size_average (bool, optional) – 默认情况下,是mini-batchloss的平均值,然而,如果size_average=False,则是mini-batchloss的总和。
  1. torch.nn.functional.binary_cross_entropy(input, target, weight=None, size_average=True)

该函数计算了输出与target之间的二进制交叉熵,详细请看BCELoss

参数:

  • input – 任意形状的 Variable
  • target – 与输入相同形状的 Variable
  • weight (Variable, optional) – 一个可手动指定每个类别的权重。如果给定的话,必须是大小为nclasses的Variable
  • size_average (bool, optional) – 默认情况下,是mini-batchloss的平均值,然而,如果size_average=False,则是mini-batchloss的总和。
  1. torch.nn.functional.smooth_l1_loss(input, target, size_average=True)

Vision functions

torch.nn.functional.pixel_shuffle(input, upscale_factor)[source]

将形状为[*, C*r^2, H, W]Tensor重新排列成形状为[C, H*r, W*r]的Tensor.

详细请看PixelShuffle.

形参说明:

  • input (Variable) – 输入
  • upscale_factor (int) – 增加空间分辨率的因子.

例子:

  1. ps = nn.PixelShuffle(3)
  2. input = autograd.Variable(torch.Tensor(1, 9, 4, 4))
  3. output = ps(input)
  4. print(output.size())
  5. torch.Size([1, 1, 12, 12])

torch.nn.functional.pad(input, pad, mode=’constant’, value=0)[source]

填充Tensor.

目前为止,只支持2D3D填充.Currently only 2D and 3D padding supported.当输入为4D Tensor的时候,pad应该是一个4元素的tuple (pad_l, pad_r, pad_t, pad_b ) ,当输入为5D Tensor的时候,pad应该是一个6元素的tuple (pleft, pright, ptop, pbottom, pfront, pback).

形参说明:

  • 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.