paddle.nn 目录下包含飞桨框架支持的神经网络层和相关函数的相关 API。具体如下:
容器相关 <about_container>
卷积层 <convolution_layers>
Pooling 层 <pooling_layers>
Padding 层 <padding_layers>
激活层 <activation_layers>
Normalization 层 <normalization_layers>
循环神经网络层 <RNN_layers>
Transformer 相关 <Transformer>
线性层 <linear_layers>
Dropout 层 <dropout_layers>
Embedding 层 <embedding_layers>
Loss 层 <loss_layers>
Vision 层 <vision_layers>
Clip 相关 <about_clip>
公共层 <common_layers>
卷积相关函数 <convolution_functional>
Pooling 相关函数 <pooling_functional>
Padding 相关函数 <padding_functional>
激活函数 <activation_functional>
Normalization 方法 <normalization_functional>
线性处理相关函数 <linear_functional>
Dropout 方法 <dropout_functional>
Embedding 相关函数 <embedding_functional>
损失函数 <loss_functional>
公用方法 <common_functional>
初始化相关 <about_initializer>
API 名称 | API 功能 |
---|---|
paddle.nn.Layer <cn_api_paddle_nn_Layer> |
基于 OOD 实现的动态图 Layer |
paddle.nn.LayerList <cn_api_paddle_nn_LayerList> |
用于保存子层列表 |
paddle.nn.ParameterList <cn_api_paddle_nn_ParameterList> |
参数列表容器 |
paddle.nn.Sequential <cn_api_paddle_nn_Sequential> |
顺序容器;子 Layer 将按构造函数参数的顺序添加到此容器中 |
paddle.nn.LayerDict <cn_api_paddle_nn_LayerDict> |
保存子层到有序字典中,它包含的子层将被正确地注册和添加 |
API 名称 | API 功能 |
---|---|
paddle.nn.Conv1D <cn_api_paddle_nn_Conv1D> |
一维卷积层 |
paddle.nn.Conv1DTranspose <cn_api_paddle_nn_Conv1DTranspose> |
一维转置卷积层 |
paddle.nn.Conv2D <cn_api_paddle_nn_Conv2D> |
二维卷积层 |
paddle.nn.Conv2DTranspose <cn_api_paddle_nn_Conv2DTranspose> |
二维转置卷积层 |
paddle.nn.Conv3D <cn_api_paddle_nn_Conv3D> |
三维卷积层 |
paddle.nn.Conv3DTranspose <cn_api_paddle_nn_Conv3DTranspose> |
三维转置卷积层 |
API 名称 | API 功能 |
---|---|
paddle.nn.AdaptiveAvgPool1D <cn_api_paddle_nn_AdaptiveAvgPool1D> |
一维自适应平均池化层 |
paddle.nn.AdaptiveAvgPool2D <cn_api_paddle_nn_AdaptiveAvgPool2D> |
二维自适应平均池化层 |
paddle.nn.AdaptiveAvgPool3D <cn_api_paddle_nn_AdaptiveAvgPool3D> |
三维自适应平均池化层 |
paddle.nn.AdaptiveMaxPool1D <cn_api_paddle_nn_AdaptiveMaxPool1D> |
一维自适应最大池化层 |
paddle.nn.AdaptiveMaxPool2D <cn_api_paddle_nn_AdaptiveMaxPool2D> |
二维自适应最大池化层 |
paddle.nn.AdaptiveMaxPool3D <cn_api_paddle_nn_AdaptiveMaxPool3D> |
三维自适应最大池化层 |
paddle.nn.AvgPool1D <cn_api_paddle_nn_AvgPool1D> |
一维平均池化层 |
paddle.nn.AvgPool2D <cn_api_paddle_nn_AvgPool2D> |
二维平均池化层 |
paddle.nn.AvgPool3D <cn_api_paddle_nn_AvgPool3D> |
三维平均池化层 |
paddle.nn.MaxPool1D <cn_api_paddle_nn_MaxPool1D> |
一维最大池化层 |
paddle.nn.MaxPool2D <cn_api_paddle_nn_MaxPool2D> |
二维最大池化层 |
paddle.nn.MaxPool3D <cn_api_paddle_nn_MaxPool3D> |
三维最大池化层 |
paddle.nn.MaxUnPool1D <cn_api_paddle_nn_MaxUnPool1D> |
一维最大反池化层 |
paddle.nn.MaxUnPool2D <cn_api_paddle_nn_MaxUnPool2D> |
二维最大反池化层 |
paddle.nn.MaxUnPool3D <cn_api_paddle_nn_MaxUnPool3D> |
三维最大反池化层 |
API 名称 | API 功能 |
---|---|
paddle.nn.Pad1D <cn_api_paddle_nn_Pad1D> |
一维填充层 |
paddle.nn.Pad2D <cn_api_paddle_nn_Pad2D> |
二维填充层 |
paddle.nn.Pad3D <cn_api_paddle_nn_Pad3D> |
三维填充层 |
paddle.nn.ZeroPad2D <cn_api_paddle_nn_ZeroPad2D> |
二维零填充层 |
API 名称 | API 功能 |
---|---|
paddle.nn.CELU <cn_api_paddle_nn_CELU> |
CELU 激活层 |
paddle.nn.ELU <cn_api_paddle_nn_ELU> |
ELU 激活层 |
paddle.nn.GELU <cn_api_paddle_nn_GELU> |
GELU 激活层 |
paddle.nn.GLU <cn_api_paddle_nn_GLU> |
GLU 激活层 |
paddle.nn.Hardshrink <cn_api_paddle_nn_Hardshrink> |
Hardshrink 激活层 |
paddle.nn.Hardsigmoid <cn_api_paddle_nn_Hardsigmoid> |
Hardsigmoid 激活层 |
paddle.nn.Hardswish <cn_api_paddle_nn_Hardswish> |
Hardswish 激活层 |
paddle.nn.Hardtanh <cn_api_paddle_nn_Hardtanh> |
Hardtanh 激活层 |
paddle.nn.LeakyReLU <cn_api_paddle_nn_LeakyReLU> |
LeakyReLU 激活层 |
paddle.nn.LogSigmoid <cn_api_paddle_nn_LogSigmoid> |
LogSigmoid 激活层 |
paddle.nn.LogSoftmax <cn_api_paddle_nn_LogSoftmax> |
LogSoftmax 激活层 |
paddle.nn.Maxout <cn_api_paddle_nn_Maxout> |
Maxout 激活层 |
paddle.nn.PReLU <cn_api_paddle_nn_PReLU> |
PReLU 激活层 |
paddle.nn.RReLU <cn_api_paddle_nn_RReLU> |
RReLU 激活层 |
paddle.nn.ReLU <cn_api_paddle_nn_ReLU> |
ReLU 激活层 |
paddle.nn.ReLU6 <cn_api_paddle_nn_ReLU6> |
ReLU6 激活层 |
paddle.nn.SELU <cn_api_paddle_nn_SELU> |
SELU 激活层 |
paddle.nn.Sigmoid <cn_api_paddle_nn_Sigmoid> |
Sigmoid 激活层 |
paddle.nn.Silu <cn_api_paddle_nn_Silu> |
Silu 激活层 |
paddle.nn.Softmax <cn_api_paddle_nn_Softmax> |
Softmax 激活层 |
paddle.nn.Softmax2D <cn_api_paddle_nn_Softmax2D> |
Softmax2D 激活层 |
paddle.nn.Softplus <cn_api_paddle_nn_Softplus> |
Softplus 激活层 |
paddle.nn.Softshrink <cn_api_paddle_nn_Softshrink> |
Softshrink 激活层 |
paddle.nn.Softsign <cn_api_paddle_nn_Softsign> |
Softsign 激活层 |
paddle.nn.Swish <cn_api_paddle_nn_Swish> |
Swish 激活层 |
paddle.nn.Mish <cn_api_paddle_nn_Mish> |
Mish 激活层 |
paddle.nn.Tanh <cn_api_paddle_nn_Tanh> |
Tanh 激活层 |
paddle.nn.Tanhshrink <cn_api_paddle_nn_Tanhshrink> |
Tanhshrink 激活层 |
paddle.nn.ThresholdedReLU <cn_api_paddle_nn_ThresholdedReLU> |
Thresholded ReLU 激活层 |
API 名称 | API 功能 |
---|---|
paddle.nn.BatchNorm <cn_api_paddle_nn_BatchNorm> |
Batch Normalization 层 |
paddle.nn.BatchNorm1D <cn_api_paddle_nn_BatchNorm1D> |
一维 Batch Normalization 层 |
paddle.nn.BatchNorm2D <cn_api_paddle_nn_BatchNorm2D> |
二维 Batch Normalization 层 |
paddle.nn.BatchNorm3D <cn_api_paddle_nn_BatchNorm3D> |
三维 Batch Normalization 层 |
paddle.nn.GroupNorm <cn_api_paddle_nn_GroupNorm> |
Group Normalization 层 |
paddle.nn.InstanceNorm1D <cn_api_paddle_nn_InstanceNorm1D> |
一维 Instance Normalization 层 |
paddle.nn.InstanceNorm2D <cn_api_paddle_nn_InstanceNorm2D> |
二维 Instance Normalization 层 |
paddle.nn.InstanceNorm3D <cn_api_paddle_nn_InstanceNorm3D> |
三维 Instance Normalization 层 |
paddle.nn.LayerNorm <cn_api_paddle_nn_LayerNorm> |
用于保存 Normalization 层列表 |
paddle.nn.LocalResponseNorm <cn_api_paddle_nn_LocalResponseNorm> |
Local Response Normalization 层 |
paddle.nn.SpectralNorm <cn_api_paddle_nn_SpectralNorm> |
Spectral Normalization 层 |
paddle.nn.SyncBatchNorm <cn_api_paddle_nn_SyncBatchNorm> |
Synchronized Batch Normalization 层 |
API 名称 | API 功能 |
---|---|
paddle.nn.BiRNN <cn_api_paddle_nn_BiRNN> |
双向循环神经网络 |
paddle.nn.GRU <cn_api_paddle_nn_GRU> |
门控循环单元网络 |
paddle.nn.GRUCell <cn_api_paddle_nn_GRUCell> |
门控循环单元 |
paddle.nn.LSTM <cn_api_paddle_nn_LSTM> |
长短期记忆网络 |
paddle.nn.LSTMCell <cn_api_paddle_nn_LSTMCell> |
长短期记忆网络单元 |
paddle.nn.RNN <cn_api_paddle_nn_RNN> |
循环神经网络 |
paddle.nn.RNNCellBase <cn_api_paddle_nn_RNNCellBase> |
循环神经网络单元基类 |
paddle.nn.SimpleRNN <cn_api_paddle_nn_SimpleRNN> |
简单循环神经网络 |
paddle.nn.SimpleRNNCell <cn_api_paddle_nn_SimpleRNNCell> |
简单循环神经网络单元 |
API 名称 | API 功能 |
---|---|
paddle.nn.MultiHeadAttention <cn_api_paddle_nn_MultiHeadAttention> |
多头注意力机制 |
paddle.nn.Transformer <cn_api_paddle_nn_Transformer> |
Transformer 模型 |
paddle.nn.TransformerDecoder <cn_api_paddle_nn_TransformerDecoder> |
Transformer 解码器 |
paddle.nn.TransformerDecoderLayer <cn_api_paddle_nn_TransformerDecoderLayer> |
Transformer 解码器层 |
paddle.nn.TransformerEncoder <cn_api_paddle_nn_TransformerEncoder> |
Transformer 编码器 |
paddle.nn.TransformerEncoderLayer <cn_api_paddle_nn_TransformerEncoderLayer> |
Transformer 编码器层 |
API 名称 | API 功能 |
---|---|
paddle.nn.Bilinear <cn_api_paddle_nn_Bilinear> |
对两个输入执行双线性 Tensor 积 |
paddle.nn.Linear <cn_api_paddle_nn_Linear> |
线性变换层 |
API 名称 | API 功能 |
---|---|
paddle.nn.AlphaDropout <cn_api_paddle_nn_AlphaDropout> |
具有自归一化性质的 dropout |
paddle.nn.Dropout <cn_api_paddle_nn_Dropout> |
Dropout |
paddle.nn.Dropout2D <cn_api_paddle_nn_Dropout2D> |
一维 Dropout |
paddle.nn.Dropout3D <cn_api_paddle_nn_Dropout3D> |
二维 Dropout |
API 名称 | API 功能 |
---|---|
paddle.nn.Embedding <cn_api_paddle_nn_Embedding> |
嵌入层(Embedding Layer) |
API 名称 | API 功能 |
---|---|
paddle.nn.BCELoss <cn_api_paddle_nn_BCELoss> |
BCELoss 层 |
paddle.nn.BCEWithLogitsLoss <cn_api_paddle_nn_BCEWithLogitsLoss> |
BCEWithLogitsLoss 层 |
paddle.nn.CosineEmbeddingLoss <cn_api_paddle_nn_CosineEmbeddingLoss> |
CosineEmbeddingLoss 层 |
paddle.nn.CrossEntropyLoss <cn_api_paddle_nn_CrossEntropyLoss> |
交叉熵损失层 |
paddle.nn.CTCLoss <cn_api_paddle_nn_CTCLoss> |
CTCLoss 层 |
paddle.nn.HSigmoidLoss <cn_api_paddle_nn_HSigmoidLoss> |
层次 sigmoid 损失层 |
paddle.nn.KLDivLoss <cn_api_paddle_nn_KLDivLoss> |
Kullback-Leibler 散度损失层 |
paddle.nn.L1Loss <cn_api_paddle_nn_L1Loss> |
L1 损失层 |
paddle.nn.MarginRankingLoss <cn_api_paddle_nn_MarginRankingLoss> |
MarginRankingLoss 层 |
paddle.nn.MSELoss <cn_api_paddle_nn_MSELoss> |
均方差误差损失层 |
paddle.nn.NLLLoss <cn_api_paddle_nn_NLLLoss> |
NLLLoss 层 |
paddle.nn.GaussianNLLLoss <cn_api_paddle_nn_GaussianNLLLoss> |
GaussianNLLLoss 层 |
paddle.nn.PoissonNLLLoss <cn_api_paddle_nn_PoissonNLLLoss> |
PoissonNLLLoss 层 |
paddle.nn.SmoothL1Loss <cn_api_paddle_nn_SmoothL1Loss> |
平滑 L1 损失层 |
paddle.nn.SoftMarginLoss <cn_api_paddle_nn_SoftMarginLoss> |
SoftMarginLoss 层 |
paddle.nn.TripletMarginLoss <cn_api_paddle_nn_TripletMarginLoss> |
TripletMarginLoss 层 |
paddle.nn.TripletMarginWithDistanceLoss <cn_api_paddle_nn_TripletMarginWithDistanceLoss> |
TripletMarginWithDistanceLoss 层 |
paddle.nn.MultiLabelSoftMarginLoss <cn_api_paddle_nn_MultiLabelSoftMarginLoss> |
多标签 Hinge 损失层 |
paddle.nn.MultiMarginLoss <cn_api_paddle_nn_MultiMarginLoss> |
MultiMarginLoss 层 |
API 名称 | API 功能 |
---|---|
paddle.nn.ChannelShuffle <cn_api_paddle_nn_ChannelShuffle> |
将一个形为[N, C, H, W]或是[N, H, W, C]的 Tensor 按通道分成 g 组,得到形为[N, g, C/g, H, W]或[N, H, W, g, C/g]的 Tensor,然后转置为[N, C/g, g, H, W]或[N, H, W, C/g, g]的形状,最后重新排列为原来的形状 |
paddle.nn.PixelShuffle <cn_api_paddle_nn_PixelShuffle> |
将一个形为[N, C, H, W]或是[N, H, W, C]的 Tensor 重新排列成形为 [N, C/r*2, Hr, W*r]或 [N, H*r, W*r, C/r**2] 的 Tensor |
paddle.nn.PixelUnshuffle <cn_api_paddle_nn_PixelUnshuffle> |
PixelShuffle 的逆操作,将一个形为[N, C, H, W]或是[N, H, W, C]的 Tensor 重新排列成形为 [N, C*r*r, H/r, W/r] 或 [N, H/r, W/r, C*r*r] 的 Tensor |
paddle.nn.Upsample <cn_api_paddle_nn_Upsample> |
用于调整一个 batch 中图片的大小 |
paddle.nn.UpsamplingBilinear2D <cn_api_paddle_nn_UpsamplingBilinear2D> |
用于调整一个 batch 中图片的大小(使用双线性插值方法) |
paddle.nn.UpsamplingNearest2D <cn_api_paddle_nn_UpsamplingNearest2D> |
用于调整一个 batch 中图片的大小(使用最近邻插值方法) |
API 名称 | API 功能 |
---|---|
paddle.nn.ClipGradByGlobalNorm <cn_api_paddle_nn_ClipGradByGlobalNorm> |
将一个 Tensor 列表 t_list 中所有 Tensor 的 L2 范数之和,限定在 clip_norm 范围内 |
paddle.nn.ClipGradByNorm <cn_api_paddle_nn_ClipGradByNorm> |
将输入的多维 Tensor X 的 L2 范数限制在 clip_norm 范围之内 |
paddle.nn.ClipGradByValue <cn_api_paddle_nn_ClipGradByValue> |
将输入的多维 Tensor X 的值限制在 [min, max] 范围 |
API 名称 | API 功能 |
---|---|
paddle.nn.BeamSearchDecoder <cn_api_paddle_nn_BeamSearchDecoder> |
带 beam search 解码策略的解码器 |
paddle.nn.CosineSimilarity <cn_api_paddle_nn_CosineSimilarity> |
余弦相似度计算 |
paddle.nn.dynamic_decode <cn_api_paddle_nn_dynamic_decode> |
循环解码 |
paddle.nn.Flatten <cn_api_paddle_nn_Flatten> |
将一个连续维度的 Tensor 展平成一维 Tensor |
paddle.nn.PairwiseDistance <cn_api_paddle_nn_PairwiseDistance> |
计算两组向量两两之间的距离 |
paddle.nn.Identity <cn_api_paddle_nn_Identity> |
建立等效层,作为输入的 Placeholder |
paddle.nn.Unfold <cn_api_paddle_nn_Unfold> |
实现的功能与卷积中用到的 im2col 函数一样,通常也被称作为 im2col 过程 |
paddle.nn.Fold <cn_api_paddle_nn_Fold> |
该 Op 用于将一个滑动局部块组合成一个大的 Tensor,通常也被称为 col2im 过程 |
paddle.nn.Unflatten <cn_api_paddle_nn_Unflatten> |
将输入 Tensor 沿指定轴 axis 上的维度展成 shape 形状 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.conv1d <cn_api_paddle_nn_functional_conv1d> |
一维卷积函数 |
paddle.nn.functional.conv1d_transpose <cn_api_paddle_nn_functional_conv1d_transpose> |
一维转置卷积函数 |
paddle.nn.functional.conv2d <cn_api_paddle_nn_functional_conv2d> |
二维卷积函数 |
paddle.nn.functional.conv2d_transpose <cn_api_paddle_nn_functional_conv2d_transpose> |
二维转置卷积函数 |
paddle.nn.functional.conv3d <cn_api_paddle_nn_functional_conv3d> |
三维卷积函数 |
paddle.nn.functional.conv3d_transpose <cn_api_paddle_nn_functional_conv3d_transpose> |
三维转置卷积函数 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.adaptive_avg_pool1d <cn_api_paddle_nn_functional_adaptive_avg_pool1d> |
一维自适应平均池化 |
paddle.nn.functional.adaptive_avg_pool2d <cn_api_paddle_nn_functional_adaptive_avg_pool2d> |
二维自适应平均池化 |
paddle.nn.functional.adaptive_avg_pool3d <cn_api_paddle_nn_functional_adaptive_avg_pool3d> |
三维自适应平均池化 |
paddle.nn.functional.adaptive_max_pool1d <cn_api_paddle_nn_functional_adaptive_max_pool1d> |
一维自适应最大池化 |
paddle.nn.functional.adaptive_max_pool2d <cn_api_paddle_nn_functional_adaptive_max_pool2d> |
二维自适应最大池化 |
paddle.nn.functional.adaptive_max_pool3d <cn_api_paddle_nn_functional_adaptive_max_pool3d> |
三维自适应最大池化 |
paddle.nn.functional.avg_pool1d <cn_api_paddle_nn_functional_avg_pool1d> |
一维平均池化 |
paddle.nn.functional.avg_pool2d <cn_api_paddle_nn_functional_avg_pool2d> |
二维平均池化 |
paddle.nn.functional.avg_pool3d <cn_api_paddle_nn_functional_avg_pool3d> |
三维平均池化 |
paddle.nn.functional.max_pool1d <cn_api_paddle_nn_functional_max_pool1d> |
一维最大池化 |
paddle.nn.functional.max_pool2d <cn_api_paddle_nn_functional_max_pool2d> |
二维最大池化 |
paddle.nn.functional.max_pool3d <cn_api_paddle_nn_functional_max_pool3d> |
三维最大池化 |
paddle.nn.functional.max_unpool1d <cn_api_paddle_nn_functional_max_unpool1d> |
一维最大反池化层 |
paddle.nn.functional.max_unpool1d <cn_api_paddle_nn_functional_max_unpool2d> |
二维最大反池化层 |
paddle.nn.functional.max_unpool3d <cn_api_paddle_nn_functional_max_unpool3d> |
三维最大反池化层 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.pad <cn_api_paddle_nn_functional_pad> |
依照 pad 和 mode 属性对 input 进行填充 |
paddle.nn.functional.zeropad2d <cn_api_paddle_nn_functional_zeropad2d> |
依照 pad 对 x 进行零填充 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.celu <cn_api_paddle_nn_functional_celu> |
celu 激活函数 |
paddle.nn.functional.elu <cn_api_paddle_nn_functional_elu> |
elu 激活函数 |
paddle.nn.functional.elu_ <cn_api_paddle_nn_functional_elu_> |
Inplace 版本的 elu API,对输入 x 采用 Inplace 策略 |
paddle.nn.functional.gelu <cn_api_paddle_nn_functional_gelu> |
gelu 激活函数 |
paddle.nn.functional.gumbel_softmax <cn_api_paddle_nn_functional_gumbel_softmax> |
gumbel_softmax 采样激活函数 |
paddle.nn.functional.hardshrink <cn_api_paddle_nn_functional_hardshrink> |
hardshrink 激活函数 |
paddle.nn.functional.hardsigmoid <cn_api_paddle_nn_functional_hardsigmoid> |
sigmoid 的分段线性逼近激活函数 |
paddle.nn.functional.hardswish <cn_api_paddle_nn_functional_hardswish> |
hardswish 激活函数 |
paddle.nn.functional.hardtanh <cn_api_paddle_nn_functional_hardtanh> |
hardtanh 激活函数 |
paddle.nn.functional.leaky_relu <cn_api_paddle_nn_functional_leaky_relu> |
leaky_relu 激活函数 |
paddle.nn.functional.log_sigmoid <cn_api_paddle_nn_functional_log_sigmoid> |
log_sigmoid 激活函数 |
paddle.nn.functional.log_softmax <cn_api_paddle_nn_functional_log_softmax> |
log_softmax 激活函数 |
paddle.nn.functional.maxout <cn_api_paddle_nn_functional_maxout> |
maxout 激活函数 |
paddle.nn.functional.prelu <cn_api_paddle_nn_functional_prelu> |
prelu 激活函数 |
paddle.nn.functional.rrelu <cn_api_paddle_nn_functional_rrelu> |
rrelu 激活函数 |
paddle.nn.functional.relu <cn_api_paddle_nn_functional_relu> |
relu 激活函数 |
paddle.nn.functional.relu_ <cn_api_paddle_nn_functional_relu_> |
Inplace 版本的 cn_api_paddle_nn_functional_relu API,对输入 x 采用 Inplace 策略 |
paddle.nn.functional.relu6 <cn_api_paddle_nn_functional_relu6> |
relu6 激活函数 |
paddle.nn.functional.selu <cn_api_paddle_nn_functional_selu> |
selu 激活函数 |
paddle.nn.functional.sigmoid <cn_api_paddle_nn_functional_sigmoid> |
sigmoid 激活函数 |
paddle.nn.functional.silu <cn_api_paddle_nn_functional_silu> |
silu 激活函数 |
paddle.nn.functional.softmax <cn_api_paddle_nn_functional_softmax> |
softmax 激活函数 |
paddle.nn.functional.softmax_ <cn_api_paddle_nn_functional_softmax_> |
Inplace 版本的 cn_api_paddle_nn_functional_softmax API,对输入 x 采用 Inplace 策略 |
paddle.nn.functional.softplus <cn_api_paddle_nn_functional_softplus> |
softplus 激活函数 |
paddle.nn.functional.softshrink <cn_api_paddle_nn_functional_softshrink> |
softshrink 激活函数 |
paddle.nn.functional.softsign <cn_api_paddle_nn_functional_softsign> |
softsign 激活函数 |
paddle.nn.functional.swish <cn_api_paddle_nn_functional_swish> |
swish 激活函数 |
paddle.nn.functional.mish <cn_api_paddle_nn_functional_mish> |
mish 激活函数 |
paddle.nn.functional.tanhshrink <cn_api_paddle_nn_functional_tanhshrink> |
tanhshrink 激活函数 |
paddle.nn.functional.thresholded_relu <cn_api_paddle_nn_functional_thresholded_relu> |
thresholded_relu 激活函数 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.local_response_norm <cn_api_paddle_nn_functional_local_response_norm> |
Local Response Normalization 函数 |
paddle.nn.functional.normalize <cn_api_paddle_nn_functional_normalize> |
归一化方法 |
paddle.nn.functional.remove_weight_norm <cn_api_paddle_nn_utils_remove_weight_norm> |
移除传入 layer 中的权重归一化 |
paddle.nn.functional.weight_norm <cn_api_paddle_nn_utils_weight_norm> |
对传入的 layer 中的权重参数进行归一化 |
paddle.nn.functional.spectral_norm <cn_api_paddle_nn_utils_spectral_norm> |
对传入的 layer 中的权重参数进行谱归一化 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.bilinear <cn_api_paddle_nn_functional_bilinear> |
对两个输入执行双线性 Tensor 积 |
paddle.nn.functional.linear <cn_api_paddle_nn_functional_linear> |
线性变换 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.alpha_dropout <cn_api_paddle_nn_functional_alpha_dropout> |
一种具有自归一化性质的 dropout |
paddle.nn.functional.dropout <cn_api_paddle_nn_functional_dropout> |
Dropout |
paddle.nn.functional.dropout2d <cn_api_paddle_nn_functional_dropout2d> |
一维 Dropout |
paddle.nn.functional.dropout3d <cn_api_paddle_nn_functional_dropout3d> |
二维 Dropout |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.diag_embed | 对角线 Embedding 方法,paddle.nn.functional.diag_embed 已废弃,请使用 paddle.diag_embed <cn_api_paddle_diag_embed> |
paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding> |
Embedding 方法 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.binary_cross_entropy <cn_api_paddle_nn_functional_binary_cross_entropy> |
二值交叉熵损失值 |
paddle.nn.functional.binary_cross_entropy_with_logits <cn_api_paddle_nn_functional_binary_cross_entropy_with_logits> |
logits 二值交叉熵损失值 |
paddle.nn.functional.cosine_embedding_loss <cn_api_paddle_nn_functional_cosine_embedding_loss> |
用于计算余弦相似度损失 |
paddle.nn.functional.ctc_loss <cn_api_paddle_nn_functional_ctc_loss> |
用于计算 ctc 损失 |
paddle.nn.functional.dice_loss <cn_api_paddle_nn_functional_dice_loss> |
用于比较预测结果跟标签之间的相似度 |
paddle.nn.functional.hsigmoid_loss <cn_api_paddle_nn_functional_hsigmoid_loss> |
层次 sigmoid 损失函数 |
paddle.nn.functional.l1_loss <cn_api_paddle_nn_functional_l1_loss> |
用于计算 L1 损失 |
paddle.nn.functional.poisson_nll_loss <cn_api_paddle_nn_functional_poisson_nll_loss> |
用于计算泊松分布的负对数似然损失 |
paddle.nn.functional.kl_div <cn_api_paddle_nn_functional_kl_div> |
用于计算 KL 散度损失 |
paddle.nn.functional.log_loss <cn_api_paddle_nn_functional_log_loss> |
用于计算负对数损失 |
paddle.nn.functional.margin_ranking_loss <cn_api_paddle_nn_functional_margin_ranking_loss> |
用于计算 margin rank loss 损失 |
paddle.nn.functional.mse_loss <cn_api_paddle_nn_functional_mse_loss> |
用于计算均方差误差 |
paddle.nn.functional.nll_loss <cn_api_paddle_nn_functional_nll_loss> |
用于计算 nll 损失 |
paddle.nn.functional.gaussian_nll_loss <cn_api_paddle_nn_functional_gaussian_nll_loss> |
用于计算 gaussiannll 损失 |
paddle.nn.functional.npair_loss <cn_api_paddle_nn_functional_npair_loss> |
成对数据损失计算 |
paddle.nn.functional.sigmoid_focal_loss <cn_api_paddle_nn_functional_sigmoid_focal_loss> |
用于计算分类任务中前景类-背景类数量不均衡问题的损失 |
paddle.nn.functional.smooth_l1_loss <cn_api_paddle_nn_functional_smooth_l1_loss> |
用于计算平滑 L1 损失 |
paddle.nn.functional.softmax_with_cross_entropy <cn_api_paddle_nn_functional_softmax_with_cross_entropy> |
将 softmax 操作、交叉熵损失函数的计算过程进行合并 |
paddle.nn.functional.margin_cross_entropy <cn_api_paddle_nn_functional_margin_cross_entropy> |
支持 Arcface ,Cosface ,Sphereface 的结合 Margin 损失函数 |
paddle.nn.functional.soft_margin_loss <cn_api_paddle_nn_functional_soft_margin_loss> |
用于计算 soft margin loss 损失函数 |
paddle.nn.functional.triplet_margin_loss <cn_api_paddle_nn_functional_triplet_margin_loss> |
用于计算 TripletMarginLoss |
paddle.nn.functional.triplet_margin_with_distance_loss <cn_api_paddle_nn_functional_triplet_margin_with_distance_loss> |
用户自定义距离函数用于计算 triplet margin loss 损失 |
paddle.nn.functional.multi_label_soft_margin_loss <cn_api_paddle_nn_functional_multi_label_soft_margin_loss> |
用于计算多分类的 hinge loss 损失函数 |
paddle.nn.functional.multi_margin_loss <cn_api_paddle_nn_functional_multi_margin_loss> |
用于计算 multi margin loss 损失函数 |
API 名称 | API 功能 |
---|---|
paddle.nn.functional.affine_grid <cn_api_paddle_nn_functional_affine_grid> |
用于生成仿射变换前后的 feature maps 的坐标映射关系 |
paddle.nn.functional.cosine_similarity <cn_api_paddle_nn_functional_cosine_similarity> |
用于计算 x1 与 x2 沿 axis 维度的余弦相似度 |
paddle.nn.functional.cross_entropy <cn_api_paddle_nn_functional_cross_entropy> |
计算输入 input 和标签 label 间的交叉熵 |
paddle.nn.functional.grid_sample <cn_api_paddle_nn_functional_grid_sample> |
用于调整一个 batch 中图片的大小 |
paddle.nn.functional.label_smooth <cn_api_paddle_nn_functional_label_smooth> |
标签平滑 |
paddle.nn.functional.one_hot <cn_api_paddle_nn_functional_one_hot> |
将输入'x'中的每个 id 转换为一个 one-hot 向量 |
paddle.nn.functional.pixel_shuffle <cn_api_paddle_nn_functional_pixel_shuffle> |
将 Tensor 重新排列 |
paddle.nn.functional.pixel_unshuffle <cn_api_paddle_nn_functional_pixel_unshuffle> |
将 Tensor 重新排列,是 pixel_shuffle 的逆操作 |
paddle.nn.functional.square_error_cost <cn_api_paddle_nn_functional_square_error_cost> |
用于计算预测值和目标值的方差估计 |
paddle.nn.functional.unfold <cn_api_paddle_nn_functional_unfold> |
对每一个卷积核覆盖下的区域,将元素重新排成一列 |
paddle.nn.functional.fold <cn_api_paddle_nn_functional_fold> |
用于将一个滑动局部块组合成一个大的 Tensor,通常也被称为 col2im。 |
paddle.nn.functional.gather_tree <cn_api_paddle_nn_functional_gather_tree> |
整个束搜索结束后使用,获得每个时间步选择的的候选词 id 及其对应的在搜索树中的 parent 节点 |
paddle.nn.functional.glu <cn_api_paddle_nn_functional_glu> |
门控线性单元 |
paddle.nn.functional.pairwise_distance <cn_api_paddle_nn_functional_pairwise_distance> |
计算两组向量两两之间的距离 |
paddle.nn.functional.interpolate <cn_api_paddle_nn_functional_interpolate> |
用于调整一个 batch 中图片的大小 |
paddle.nn.functional.sequence_mask <cn_api_paddle_nn_functional_sequence_mask> |
根据输入 x 和 maxlen 输出一个掩码,数据类型为 dtype |
paddle.nn.functional.temporal_shift <cn_api_paddle_nn_functional_temporal_shift> |
用于对输入 X 做时序通道 T 上的位移操作,为 TSM 中使用的操作 |
paddle.nn.functional.upsample <cn_api_paddle_nn_functional_upsample> |
用于调整一个 batch 中图片的大小 |
paddle.nn.functional.class_center_sample <cn_api_paddle_nn_functional_class_center_sample> |
用于 PartialFC 类别中心采样 |
API 名称 | API 功能 |
---|---|
paddle.nn.initializer.Assign <cn_api_paddle_nn_initializer_Assign> |
使用 Numpy 数组、Python 列表、Tensor 来初始化参数 |
paddle.nn.initializer.Bilinear <cn_api_paddle_nn_Bilinear> |
该接口为参数初始化函数,用于转置卷积函数中 |
paddle.nn.initializer.Constant <cn_api_paddle_nn_initializer_Constant> |
用于权重初始化,通过输入的 value 值初始化输入变量 |
paddle.nn.initializer.KaimingNormal <cn_api_paddle_nn_initializer_KaimingNormal> |
实现 Kaiming 正态分布方式的权重初始化 |
paddle.nn.initializer.KaimingUniform <cn_api_paddle_nn_initializer_KaimingUniform> |
实现 Kaiming 均匀分布方式的权重初始化 |
paddle.nn.initializer.Normal <cn_api_paddle_nn_initializer_Normal> |
随机正态(高斯)分布初始化函数 |
paddle.nn.initializer.set_global_initializer <cn_api_paddle_nn_initializer_set_global_initializer> |
用于设置 Paddle 框架中全局的参数初始化方法 |
paddle.nn.initializer.calculate_gain <cn_api_paddle_nn_initializer_calculate_gain> |
获取某些激活函数的推荐增益值(增益值可用于对某些初始化 API 进行设置,以调整初始化值) |
paddle.nn.initializer.Dirac <cn_api_paddle_nn_initializer_Dirac> |
通过狄拉克 delta 函数来初始化 3D/4D/5D Tensor,一般用于�卷积层,能最大程度保留卷积层输入的特性 |
paddle.nn.initializer.Orthogonal <cn_api_paddle_nn_initializer_Orthogonal> |
正交矩阵初始化方式,被初始化的参数为(半)正交的 |
paddle.nn.initializer.TruncatedNormal <cn_api_paddle_nn_initializer_TruncatedNormal> |
随机截断正态(高斯)分布初始化函数 |
paddle.nn.initializer.Uniform <cn_api_paddle_nn_initializer_Uniform> |
随机均匀分布初始化函数 |
paddle.nn.initializer.XavierNormal <cn_api_paddle_nn_initializer_XavierNormal> |
实现 Xavier 权重初始化方法( Xavier weight initializer) |
paddle.nn.initializer.XavierUniform <cn_api_paddle_nn_initializer_XavierUniform> |
实现 Xavier 权重初始化方法( Xavier weight initializer) |