torch.nn.functional
Convolution 函数
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:
>>> 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)
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:
>>> # With square kernels and equal stride
>>> filters = autograd.Variable(torch.randn(8,4,3,3))
>>> inputs = autograd.Variable(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)
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:
>>> filters = autograd.Variable(torch.randn(33, 16, 3, 3, 3))
>>> inputs = autograd.Variable(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)
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
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
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:
>>> # pool of square window of size=3, stride=2
>>> input = Variable(torch.Tensor([[[1,2,3,4,5,6,7]]]))
>>> F.avg_pool1d(input, kernel_size=3, stride=2)
Variable containing:
(0 ,.,.) =
2 4 6
[torch.FloatTensor of size 1x1x3]
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
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。
torch.nn.functional.max_pool1d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
torch.nn.functional.max_pool2d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
torch.nn.functional.max_pool3d(input, kernel_size, stride=None, padding=0, dilation=1, ceil_mode=False, return_indices=False)
torch.nn.functional.max_unpool1d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
torch.nn.functional.max_unpool2d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
torch.nn.functional.max_unpool3d(input, indices, kernel_size, stride=None, padding=0, output_size=None)
torch.nn.functional.lp_pool2d(input, norm_type, kernel_size, stride=None, ceil_mode=False)
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
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
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)
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
torch.nn.functional.threshold(input, threshold, value, inplace=False)
torch.nn.functional.relu(input, inplace=False)
torch.nn.functional.hardtanh(input, min_val=-1.0, max_val=1.0, inplace=False)
torch.nn.functional.relu6(input, inplace=False)
torch.nn.functional.elu(input, alpha=1.0, inplace=False)
torch.nn.functional.leaky_relu(input, negative_slope=0.01, inplace=False)
torch.nn.functional.prelu(input, weight)
torch.nn.functional.rrelu(input, lower=0.125, upper=0.3333333333333333, training=False, inplace=False)
torch.nn.functional.logsigmoid(input)
torch.nn.functional.hardshrink(input, lambd=0.5)
torch.nn.functional.tanhshrink(input)
torch.nn.functional.softsign(input)
torch.nn.functional.softplus(input, beta=1, threshold=20)
torch.nn.functional.softmin(input)
torch.nn.functional.softmax(input)
torch.nn.functional.softshrink(input, lambd=0.5)
torch.nn.functional.log_softmax(input)
torch.nn.functional.tanh(input)
torch.nn.functional.sigmoid(input)
Normalization 函数
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
torch.nn.functional.linear(input, weight, bias=None)
Dropout 函数
torch.nn.functional.dropout(input, p=0.5, training=False, inplace=False)
距离函数(Distance functions)
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:
>>> input1 = autograd.Variable(torch.randn(100, 128))
>>> input2 = autograd.Variable(torch.randn(100, 128))
>>> output = F.pairwise_distance(input1, input2, p=2)
>>> output.backward()
损失函数(Loss functions)
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-batch
loss的平均值,然而,如果size_average=False,则是mini-batch
loss的总和。
Variables: - weight – 对于constructor而言,每一类的权重作为输入
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
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-batch
loss的平均值,然而,如果size_average=False,则是mini-batch
loss的总和。
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-batch
loss的平均值,然而,如果size_average=False,则是mini-batch
loss的总和。
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]
的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:
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)[source]
填充Tensor
.
目前为止,只支持2D
和3D
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.