PyTorch 教程-PyTorch中的torch.nn模块

PyTorch提供了torch.nn模块，以帮助我们创建和训练神经网络。我们将首先在MNIST数据集上训练基本的神经网络，不使用这些模型的任何特征。我们仅使用基本的PyTorch张量功能，然后逐步添加torch.nn中的一个特征。

torch.nn为我们提供了许多类和模块，用于实现和训练神经网络。

nn模块包含以下模块和类：

序号	类和模块	描述
1	torch.nn.Parameter	模块参数的张量类型。
2	容器	所有神经网络模块的基类。
2.1	torch.nn.Module	所有神经网络模块的基类。
2.2	torch.nn.Sequential	顺序容器，按传递顺序添加模块。
2.3	torch.nn.ModuleList	在列表中保存子模块。
2.4	torch.nn.ModuleDict	在字典中保存子模块。
2.5	torch.nn.ParameterList	在列表中保存参数。
2.6	torch.nn.parameterDict	在字典中保存参数。
3	卷积层	对输入信号应用一维卷积，二维卷积等。
3.1	torch.nn.Conv1d	对输入信号应用一维卷积。
3.2	torch.nn.Conv2d	对输入信号应用二维卷积。
3.3	torch.nn.Conv3d	对输入信号应用三维卷积。
3.4	torch.nn.ConvTranspose1d	对输入图像应用一维转置卷积操作。
3.5	torch.nn.ConvTranspose2d	对输入图像应用二维转置卷积操作。
3.6	torch.nn.ConvTranspose3d	对输入图像应用三维转置卷积操作。
3.7	torch.nn.Unfold	从批量输入张量中提取滑动局部块。
3.8	torch.nn.Fold	将一系列滑动局部块组合成一个大的包含张量。
4	池化层	应用一维最大池化，二维最大池化等。
4.1	torch.nn.MaxPool1d	应用一维最大池化。
4.2	torch.nn.MaxPool2d	应用二维最大池化。
4.3	torch.nn.MaxPool3d	应用三维最大池化。
4.4	torch.nn.MaxUnpool1d	计算 MaxPool1d 的部分逆操作。
4.5	torch.nn.MaxUnpool2d	计算 MaxPool2d 的部分逆操作。
4.6	torch.nn.MaxUnpool3d	计算 MaxPool3d 的部分逆操作。
4.7	torch.nn.AvgPool1d	应用一维平均池化。
4.8	torch.nn.AvgPool2d	应用二维平均池化。
4.9	torch.nn.AvgPool3d	应用三维平均池化。
4.10	torch.nn.FractionalMaxPool2d	应用二维分数最大池化。
4.11	torch.nn.LPPool1d	应用一维功率平均池化。
4.12	torch.nn.LPPool2d	应用二维功率平均池化。
4.13	torch.nn.AdaptiveMaxPool1d	应用一维自适应最大池化。
4.14	torch.nn.AdaptiveMaxPool2d	应用二维自适应最大池化。
4.15	torch.nn.AdaptiveMaxPool3d	应用三维自适应最大池化。
4.16	torch.nn.AdaptiveAvgPool1d	应用一维自适应平均池化。
4.17	torch.nn.AdaptiveAvgPool2d	应用二维自适应平均池化。
4.18	torch.nn.AdaptiveAvgPool3d	应用三维自适应平均池化。
5	填充层	使用反射、复制、零等方法填充输入张量。
5.1	torch.nn.ReflectionPad1d	使用输入边界的反射填充输入张量。
5.2	torch.nn.ReplicationPad1d	使用输入边界的复制填充输入张量。
5.3	torch.nn.ZeroPad2d	使用零填充输入张量的边界。
...	...	...
6	非线性激活层（加权和，非线性）	应用ELU、硬收缩等逐元素函数。
6.1	torch.nn.ELU	应用逐元素ELU函数。
6.2	torch.nn.Hardshrink	应用逐元素硬收缩函数。
6.3	torch.nn.LeakyReLU	应用逐元素LeakyReLU函数。
...	...	...
7	非线性激活层（其他）	应用软最小值、softmax等逐元素函数。
7.1	torch.nn.Softmin	应用逐元素软最小值函数。
7.2	torch.nn.Softmax	应用逐元素softmax函数。
...	...	...
8	归一化层	应用批归一化、组归一化、实例归一化等。
8.1	torch.nn.BatchNorm1d	应用于2D或3D输入的批归一化。
8.2	torch.nn.GroupNorm	应用于输入小批量的组归一化。
...	...	...
9	循环层	应用RNN、LSTM、GRU等。
9.1	torch.nn.RNN	应用多层Elman RNN。
9.2	torch.nn.LSTM	应用多层长短时记忆（LSTM）RNN。
9.3	torch.nn.GRU	应用多层门控循环单元（GRU）RNN。
...	...	...
10	线性层	应用线性转换。
10.1	torch.nn.Identity	占位符身份运算符，无关参数。
10.2	torch.nn.Linear	对输入数据应用线性转换。
10.3	torch.nn.Bilinear	对输入数据应用双线性转换。
...	...	...
11	丢失层	用于正则化和防止神经元共适应的Dropout层。
11.1	torch.nn.Dropout	用于正则化和防止神经元共适应的Dropout层。
11.2	torch.nn.AlphaDropout	应用于输入的Alpha Dropout。
...	...	...
12	稀疏层	用于存储和检索Word Embeddings等。
12.1	torch.nn.Embedding	用于存储和检索Word Embeddings。
12.2	torch.nn.EmbeddingBag	在不实例化中间嵌入的情况下计算嵌入的和或均值。
...	...	...
13	距离函数	计算余弦相似性、成对距离等。
13.1	torch.nn.CosineSimilarity	计算x1和x2之间的余弦相似性。
13.2	torch.nn.PairwiseDistance	计算向量v1和v2之间的批次对距离。
...	...	...
14	损失函数	用于分类、回归等任务的损失函数。
14.1	torch.nn.L1Loss	测量输入x和目标y中每个元素之间的平均绝对误差。
14.2	torch.nn.MSELoss	测量输入x和目标y中每个元素之间的平均平方误差。
...	...	...
15	视觉层	重新排列张量元素，上采样多通道数据等。
15.1	torch.nn.PixelShuffle	重新排列张量元素。
15.2	torch.nn.Upsample	上采样多通道数据。
...	...	...
16	DataParallel层（多GPU，分布式）	模块级别实现数据并行性，分布式数据并行性等。
16.1	torch.nn.DataParallel	模块级别实现数据并行性。
16.2	torch.nn.DistributedDataParallel	模块级别实现分布式数据并行性。
...	...	...
17	实用工具	clip_grad_norm_等。
17.1	torch.nn.clip_grad_norm_	对所有模型参数进行梯度裁剪。

参考资料:

https://pytorch.org/docs/stable/nn.html