(1)原型
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)
在由多个输入平面组成的输入信号上应用2D卷积,简言之就是在多通道输入图像上进行卷积操作。
(2)参数
(3)属性
初始化为:
如果bias为True,初始化为:
(4)用法示例
import torch import torch.nn as nn m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1)) print(m) # (N, C, H, W) inputImage = torch.randn(20, 16, 50, 100) output = m(inputImage) print(output.shape)
结果:
(1)原型
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
在由多个输入平面组成的输入信号上应用 2D 最大池化。
注:当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入中开始,则允许它们越界。在右侧填充区域开始的滑动窗口将被忽略。
(2)参数
kernel_size — 表示做最大池化的窗口大小,可以是单个值,也可以是tuple元组
stride — 卷积步长,即卷积核在图像上每次平移的间隔。 默认:kernel_size
padding — 图像上下左右四边填充为 0 的行数和列数。默认:0
dilation — 内核元素的间隔,该参数决定了是否采用空洞卷积。默认:1(不采用)
return_indices (bool) — 是否返回输出的最大索引。默认:False
ceil_mode (bool) — 使用向上取整(ceil)或向下取整(floor)的方式计算得到输出形状。默认:False(floor,向下取整)
(3)用法示例
# pool of square window of size=3, stride=2 m = nn.MaxPool2d(3, stride=2) # pool of non-square window m = nn.MaxPool2d((3, 2), stride=(2, 1)) input = torch.randn(20, 16, 50, 32) output = m(input) print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='n')
结果:
(1)原型
torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)
在由多个输入平面组成的输入信号上应用 2D 平均池化。
注:当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入中开始,则允许它们越界。在右侧填充区域开始的滑动窗口将被忽略。
(2)参数
kernel_size — 表示做最大池化的窗口大小,可以是单个值,也可以是tuple元组
stride — 卷积步长,即卷积核在图像上每次平移的间隔。 默认:kernel_size
padding — 图像上下左右四边填充为 0 的行数和列数。默认:0
ceil_mode — 使用向上取整(ceil)或向下取整(floor)的方式计算得到输出形状。默认:False(floor,向下取整)
count_include_pad — 是否在平均计算中包含零填充。默认:True
divisor_override — 如果指定,它将用作除数,否则将使用池化区域的大小
(3)用法示例
# pool of square window of size=3, stride=2 m = nn.AvgPool2d(3, stride=2) # pool of non-square window m = nn.AvgPool2d((3, 2), stride=(2, 1)) input = torch.randn(20, 16, 50, 32) output = m(input) print(f'ninput shape: {input.shape}', f'output shape: {output.shape}', sep='n')
(1)原型
torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False)
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。
对于任何输入大小,输出大小为 Hout * Wout,输出特征的数量等于输入平面的数量。
(2)参数
output_size — 目标输出为形如 Hout * Wout 的图像。可能是一个数组 (Hout, Wout) 或者方形图像 Hout * Hout 的单项 Hout 。Hout 和 Wout 可以是 int,也可以是 None,这意味着大小将与输入的大小相同
return_indices — 是否返回输出的最大索引。默认:False
(3)用法示例
# target output size of 5x7 m = nn.AdaptiveMaxPool2d((5, 7)) input = torch.randn(1, 64, 8, 9) output = m(input) print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='n') # target output size of 7x7 (square) m = nn.AdaptiveMaxPool2d(7) input = torch.randn(1, 64, 10, 9) output = m(input) print(f'ninput shape: {input.shape}', f'output shape: {output.shape}', sep='n') # target output size of 10x7 m = nn.AdaptiveMaxPool2d((None, 7)) input = torch.randn(1, 64, 10, 9) output = m(input) print(f'ninput shape: {input.shape}', f'output shape: {output.shape}', sep='n')
结果:
(1)原型
torch.nn.AdaptiveAvgPool2d(output_size)
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。
对于任何输入大小,输出大小为 H x W。 输出特征的数量等于输入平面的数量。
(2)参数
(3)用法示例
# target output size of 5x7 m = nn.AdaptiveAvgPool2d((5, 7)) input = torch.randn(1, 64, 8, 9) output = m(input) print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='n') # target output size of 7x7 (square) m = nn.AdaptiveAvgPool2d(7) input = torch.randn(1, 64, 10, 9) output = m(input) print(f'ninput shape: {input.shape}', f'output shape: {output.shape}', sep='n') # target output size of 10x7 m = nn.AdaptiveAvgPool2d((None, 7)) input = torch.randn(1, 64, 10, 9) output = m(input) print(f'ninput shape: {input.shape}', f'output shape: {output.shape}', sep='n')
(1)原型
torch.nn.Sigmoid()
(2)Sigmoid函数表达式及图像
逐元素执行:
(3)用法示例
m = nn.Sigmoid() input = torch.randn(2) print(input) output = m(input) print(output)
结果:
(1)原型
torch.nn.Tanh()
(2)Tanh函数表达式及图像
逐元素执行:
(3)用法示例
m = nn.Tanh() input = torch.randn(2) print(input) output = m(input) print(output)
结果:
(1)原型
torch.nn.ReLU(inplace=False)
(2)ReLU函数表达式及图像
逐元素执行:
(3)参数
(4)用法示例
m = nn.ReLU() input = torch.randn(2) output = m(input) # An implementation of CReLU - https://arxiv.org/abs/1603.05201 m = nn.ReLU() input = torch.randn(2).unsqueeze(0) output = torch.cat((m(input),m(-input)))
结果:
(1)定义
torch.nn.LeakyReLU(negative_slope=0.01, inplace=False)
(2)LeakyReLU函数表达式和图像
逐元素执行:
(3)参数
negative_slope — Input的负数部分的斜率。默认:1e-2
inplace — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False
(4)用法示例
m = nn.LeakyReLU(0.1) input = torch.randn(2) print(input) output = m(input) print(output)
结果:
(1)原型
torch.nn.ReLU6(inplace=False)
(2)ReLU6函数表达式及图像
逐元素执行:
(3)参数
(4)用法示例
m = nn.ReLU6() input = torch.randn(2) output = m(input) print(f'input shape: {input}', f'output shape: {output}', sep='n')
结果:
(1)原型
torch.nn.GELU
(2)GELU函数表达式及图像
逐元素执行:
是高斯分布的累积分布函数(概率密度函数的积分),表示如下:
(3)用法示例
# GeLU m = nn.GELU() input = torch.randn(2) output = m(input) print('input: ', input, 'output: ', output, sep='n')
结果:
(1)原型
torch.nn.SELU(inplace=False)
注:当使用 kaiming_normal 或 kaiming_normal_ 进行初始化时,应使用 nonlinearity='linear' 而不是 nonlinearity='selu',以获得自归一化神经网络。
更多细节详见 Self-Normalizing Neural Networks 一文。
(2)SELU函数表达式及图像
逐元素执行:
式中:α=1.6732632423543772848170429916717,scale=1.0507009873554804934193349852946
(3)参数
(4)用法示例
# SeLU m = nn.SELU() input = torch.randn(2) output = m(input) print('input: ', input, 'output: ', output, sep='n')
结果:
(1)原型
torch.nn.Softmax(dim=None)
将 Softmax 函数应用于 n 维的输入张量,改变他们的大小,使得 n 维输出张量的元素位于 [0, 1] 范围内,并且总和为0。
当输入张量是稀疏张量时,未指定的值将被视为 -inf。
需要注意的是,该模块不直接与 NLLLoss 一起使用,它期望在 Softmax 和自身之间计算 Log。 改用 LogSoftmax(它更快并且具有更好的数值属性)
(2)Softmax函数表达式
(3)参数
(4)用法示例
# Softmax m = nn.Softmax(dim=1) input = torch.randn(2, 3) output = m(input) print('input: ', input, 'output: ', output, sep='n')
结果:
(1)原型
torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)
对4D输入应用批量归一化(具有附加通道尺寸的小批量的2D输入)。详述可参考论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift .
(2)参数
num_features — 指特征数。一般情况下输入的数据格式为(batch_size,num_features,height,width)其中的C为特征数,也称channel数
eps — 为了分数值稳定而添加到分母的值。默认:1e-5
momentum — 用于运行过程中均值和方差的估计参数。可以将累积移动平均线(即简单平均线)设置为 None
。默认:0.1
affine — 此模块是否具有可学习的仿射参数。默认:True
track_running_stats — 一个布尔值,当设置为True时,此模块跟踪运行平均值和方差;设置为False时,此模块不跟踪此类统计信息,并将统计信息缓冲区running_mean和running_var初始化为None。当这些缓冲区为None时,此模块将始终使用批处理统计信息。在训练和评估模式下都可以。默认:True
(3)用法示例
# With Learnable Parameters m = nn.BatchNorm2d(100) # Without Learnable Parameters m = nn.BatchNorm2d(100, affine=False) input = torch.randn(20, 100, 35, 45) output = m(input)
(1)原型
torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)
对输入数据进行线性变换:
(2)参数
in_features — 每个输入样本的尺寸
out_features — 每个输出样本的尺寸
bias — 该层是否会学习一个额外的偏置项。默认:True
(3)属性
初始化为:
如果bias为True,初始化为:
(4)用法示例
# Linear m = nn.Linear(20, 30) input = torch.randn(128, 20) output = m(input) print(f'output size: {output.size()}', f'weight size: {m.weight.size()}', f'bias size: {m.bias.size()}', sep='n')
结果:
(1)原型
torch.nn.Dropout(p=0.5, inplace=False)
在训练期间,使用来自伯努利分布的样本以概率 p 将输入张量的一些元素随机归零。 每个通道将在每次前向调用时独立归零。
Dropout是一种用于正则化和防止神经元间互适应的有效技术,详细介绍可参考 Improving neural networks by preventing co-adaptation of feature detectors 一文。此外,输出在训练期间按 1/(1-p) 倍缩放。 这意味着在评估期间,模块只计算一个恒等函数。
输入可以是任意形状的张量,输出形状与输入保持一致。
(2)参数
p — 元素归零的概率。默认:0.5
inplace — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False
(3)用法示例
# Dropout m = nn.Dropout(p=0.2) input = torch.randn(4, 6) output = m(input) print('input:', input, 'output:', output, sep='n')
结果:
问:除了以 p=0.2 的概率随机归零的一些元素以外,其他元素的值为什么也变化了?
答:所有的元素都会在训练期间按 1/(1-p) 倍缩放。
(1)原型
torch.nn.Dropout2d(p=0.5, inplace=False)
不同于前一节的Dropout,Dropout2d是将整个通道随机归零(一个通道通常代表一个2D特征图,比如:在批量输入中,第 i 个样本的第 j 个通道是一个2D的张量 input[i, j]),使用来自伯努利分布的样本,每个通道将在每次前向调用中使用来自伯努利分布的样本以概率 p 独立清零。
如论文 Efficient Object Localization Using Convolutional Networks 中所述,如果特征图中的相邻像素是强相关的(通常在早期卷积层中就是这种情况),那么 dropout 不会规范激活,否则只会导致有效的学习率降低。在这种情况下,nn.Dropout2d() 将有助于促进特征图之间的独立性,应改为使用。
输入可以是 (N, C, H, W) 或 (C, H, W) ,输出和输入形状一致,也是(N, C, H, W) 或 (C, H, W) 。
(2)参数
p — 元素归零的概率。默认:0.5
inplace — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False
(3)用法示例
# Dropout m = nn.Dropout(p=0.2) input = torch.randn(4, 6) output = m(input) print('input:', input, 'output:', output, sep='n')
结果:
(1)原型
torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')
计算输入 x 和目标 y 之间的平均绝对误差(MAE)。x可以是任意维度的张量;y形状和x保持一致。
(2)公式
(3)参数
size_average (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True
reduce (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。默认:True
reduction (string, 可选参数) — 指定要用于输出的reduction取值:none,mean,sum。none:不使用reduction;mean:输出的总和将除以输出中的元素数;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。默认:mean
(4)用法示例
# L1Loss loss = nn.L1Loss() input = torch.randn(3, 5, requires_grad=True) target = torch.randn(3, 5) output = loss(input, target) output.backward() print(input, target, output, sep='n')
结果:
(1)原型
torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')
计算输入 x 和目标 y 中的每个元素之间的均方误差(平方 L2 范数)
(2)公式
(3)参数
size_average (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True
reduce (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。 默认:True
reduction (string, 可选参数) — 指定要用于输出的reduction取值:none,mean,sum。none:不使用 reduction;mean:输出的总和将除以输出中的元素数;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。 默认:mean
(4)用法示例
# MSELoss(L2Loss) loss = nn.MSELoss() input = torch.randn(3, 5, requires_grad=True) target = torch.randn(3, 5) output = loss(input, target) output.backward() print(input, target, output, sep='n')
结果:
(1)原型
torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0)
计算输入 x 和目标 y 之间的交叉熵损失
(2)公式
(3)参数
weight (Tensor, 可选参数) – 手动重新调整每个类别的权重。如果给定,则必须是大小为 C 的张量
size_average (bool, 可选参数) – 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True
ignore_index (int, 可选参数) – 指定一个被忽略且不影响输入梯度的目标值。当 size_average 为 True 时,损失在非忽略目标上进行平均。请注意,ignore_index 仅适用于目标包含类索引时。
reduce (bool, 可选参数) – 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。默认:True
reduction (string, 可选参数) – 指定要用于输出的reduction取值:none,mean,sum。none:不使用reduction;mean:取输出的加权平均值;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。默认:mean
label_smoothing (float, 可选参数) – [0.0, 1.0]之间的浮点数。指定计算损失时的平滑量,其中0.0表示不平滑。target变成了原本ground truth和 Rethinking the Inception Architecture for Computer Vision 一文中所述的均匀分布的组合。默认值:0.0
(4)用法示例
# Example of target with class indices loss = nn.CrossEntropyLoss() input = torch.randn(3, 5, requires_grad=True) target = torch.empty(3, dtype=torch.long).random_(5) output = loss(input, target) output.backward() print(input, target, output, sep='n') print('') # Example of target with class probabilities input = torch.randn(3, 5, requires_grad=True) target = torch.randn(3, 5).softmax(dim=1) output = loss(input, target) output.backward() print(input, target, output, sep='n')
结果:
2、【Pytorch系列】nn.BatchNorm2d用法详解