1. 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.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.softmax(input)
torch.nn.functional.log_softmax(input)
torch.nn.functional.tanh(input)
torch.nn.functional.sigmoid(input)

2. 填充和放缩

torch.nn.functional.pad(input, pad, mode=‘constant’, value=0)

对数据集图像或中间层特征进行维度扩充。

参数：

input：需要扩充的tensor，可以是图像数据，抑或是特征矩阵数据
pad：扩充维度
mod：扩充方法，’constant‘, ‘reflect’ or ‘replicate’三种模式，分别表示常量，反射，复制
value：扩充时指定补充值，但是value只在mode='constant’有效，即使用value填充在扩充出的新维度位置，而在’reflect’和’replicate’模式下，value不可赋值

import torch
import torch.nn.functional as Ft4d = torch.empty(1, 3, 5, 3)p1d_ = (1, 2, 0, 0)
t1 = F.pad(t4d, p1d_, 'constant', 1) # 对图像的左边填充1列，右边填充2列p2d = (1, 2, 3, 4)
t2 = F.pad(t4d, p2d, 'constant', 2) # 对图像的左边填充1列，右边填充2列，上边填充3行，下边填充4行p3d = (1, 2, 3, 4, 5, 6)
t3 = F.pad(t4d, p3d, 'constant', 3) # 对图像的左边填充1列，右边填充2列，上边填充3行，下边填充4行，对通道方向的前面填充5层，对通道方向的后面填充6层。

torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode=‘nearest’, align_corners=None, recompute_scale_factor=None, antialias=False) -> Tensor

torch.nn.functional.upsample(input, size=None, scale_factor=None, mode=‘nearest’, align_corners=None)

3. 网格采样

torch.meshgrid(*tensors, indexing=None)

创建由 tensors 中的一维输入指定的坐标网格。

torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’, align_corners=None)

给定输入和网格，使用输入值和网格中的像素位置计算输出。目前，仅支持空间 (4-D) 和体积 (5-D) 输入。

此函数通常与 affine_grid() 结合使用来构建Spatial Transformer Networks。

注意：girid 指定由输入空间维度归一化的采样像素位置。因此，它应该具有 [-1, 1] 范围内的大多数值。例如，值 x = -1, y = -1 是输入的左上角像素，值 x = 1, y = 1 是输入的右下角像素。

torch.nn.functional.affine_grid(theta, size, align_corners=None)

给定一批仿射矩阵 theta，生成 2D 或 3D 采样网格。

此函数通常与 grid_sample() 结合使用来构建Spatial Transformer Networks。

例子请移步：Pytorch中的仿射变换(affine_grid)

torch.nn.functional相关推荐

torch.nn.functional.cross_entropy.ignore_index
ignore_index表示计算交叉熵时,自动忽略的标签值,example: import torch import torch.nn.functional as F pred = [] pred.a ...
【pytorch】torch.nn.functional.pad的使用
torch.nn.functional.pad 是对Tensor做padding,输入的参数必须的torch的Tensor 一般地,习惯上会做如下声明 import torch.nn.function ...
torch.nn.functional.pad
作用用来对一个tensor进行填充.最典型的就是图片了,原来是2*2的,现在想要变成3*3的,那么就需要填充,此时有很多选择,例如是在原来的右上进行填充还是左下?又或者是左上?等等. 这个函数就可以 ...
PyTorch : torch.nn.xxx 和 torch.nn.functional.xxx
PyTorch : torch.nn.xxx 和 torch.nn.functional.xxx 在写 PyTorch 代码时,我们会发现在 torch.nn.xxx 和 torch.nn.funct ...
pytorch笔记：torch.nn.functional.pad
1 torch.nn.functional.pad函数 torch.nn.functional.pad是pytorch内置的tensor扩充函数,便于对数据集图像或中间层特征进行维度扩充 torch. ...
torch.nn.functional.pad(input, pad, mode=‘constant‘, value=0)
torch.nn.functional.pad(input, pad, mode='constant', value=0) 填充Tensor. 填充大小: 填充input的某些维度的填充大小从最后一个 ...
剖析 | torch.nn.functional.softmax维度详解
写代码,看代码都要心中有数,输入是什么,输出是什么,结果是如何计算出来的. 一维数据: # -*- coding: utf-8 -*- import torch import numpy as np ...
基于torch.nn.functional.conv2d实现CNN
在我们之前的实验中,我们一直用torch.nn.Conv2D来实现卷积神经网络,但是torch.nn.Conv2D在实现中是以torch.nn.functional.conv2d为基础的,这两者的区别 ...
PyTorch 1.0 中文文档：torch.nn.functional
译者:hijkzzz 卷积函数 conv1d torch.nn.functional.conv1d(input, weight, bias=None, stride=1, padding=0, dil ...
pytorch: torch.nn.functional.affine_grid(theta,size)
# 仍有部分疑惑 torch.nn.functional.affine_grid(theta,size): 给定一组仿射矩阵(theta),生成一个2d的流场.通常与 grid_sample() 结 ...

torch.nn.functional

1. 非线性激活函数

2. 填充和放缩

3. 网格采样

torch.nn.functional相关推荐

最新文章

热门文章