Псевдонимы в torch.nn

Создано: 25 июля 2025 г. | Последнее обновление: 8 мая 2026 г.

Ниже приведены псевдонимы соответствующих объектов в torch.nn во вложенных пространствах имён.

torch.nn.modules

Ниже приведены псевдонимы соответствующих объектов в torch.nn в пространстве имён torch.nn.modules.

Контейнеры (псевдонимы)

`container.Sequential`	Последовательный контейнер.
`container.ModuleList`	Содержит подмодули в списке.
`container.ModuleDict`	Содержит подмодули в словаре.
`container.ParameterList`	Содержит параметры в списке.
`container.ParameterDict`	Содержит параметры в словаре.

Сверточные слои (псевдонимы)

`conv.Conv1d`	Применяет одномерную свертку к входному сигналу, состоящему из нескольких входных плоскостей.
`conv.Conv2d`	Применяет двумерную свертку к входному сигналу, состоящему из нескольких входных плоскостей.
`conv.Conv3d`	Применяет трехмерную свертку к входному сигналу, состоящему из нескольких входных плоскостей.
`conv.ConvTranspose1d`	Применяет оператор одномерной транспонированной свертки к входному изображению, состоящему из нескольких входных плоскостей.
`conv.ConvTranspose2d`	Применяет оператор двумерной транспонированной свертки к входному изображению, состоящему из нескольких входных плоскостей.
`conv.ConvTranspose3d`	Применяет оператор трехмерной транспонированной свертки к входному изображению, состоящему из нескольких входных плоскостей.
`conv.LazyConv1d`	Модуль `torch.nn.Conv1d` с отложенной инициализацией аргумента `in_channels`.
`conv.LazyConv2d`	Модуль `torch.nn.Conv2d` с отложенной инициализацией аргумента `in_channels`.
`conv.LazyConv3d`	Модуль `torch.nn.Conv3d` с отложенной инициализацией аргумента `in_channels`.
`conv.LazyConvTranspose1d`	Модуль `torch.nn.ConvTranspose1d` с отложенной инициализацией аргумента `in_channels`.
`conv.LazyConvTranspose2d`	Модуль `torch.nn.ConvTranspose2d` с отложенной инициализацией аргумента `in_channels`.
`conv.LazyConvTranspose3d`	Модуль `torch.nn.ConvTranspose3d` с отложенной инициализацией аргумента `in_channels`.
`fold.Unfold`	Извлекает локальные блоки со скользящим окном из входного тензора с пакетами.
`fold.Fold`	Объединяет массив локальных блоков со скользящим окном в большой содержащий их тензор.

Слои пулинга (псевдонимы)

`pooling.MaxPool1d`	Применяет одномерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.MaxPool2d`	Применяет двумерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.MaxPool3d`	Применяет трехмерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.MaxUnpool1d`	Вычисляет частичное обратное преобразование `MaxPool1d`.
`pooling.MaxUnpool2d`	Вычисляет частичное обратное преобразование `MaxPool2d`.
`pooling.MaxUnpool3d`	Вычисляет частичное обратное преобразование `MaxPool3d`.
`pooling.AvgPool1d`	Применяет одномерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AvgPool2d`	Применяет двумерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AvgPool3d`	Применяет трехмерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.FractionalMaxPool2d`	Применяет двумерный дробный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.FractionalMaxPool3d`	Применяет трехмерный дробный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.LPPool1d`	Применяет одномерный степенной средний пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.LPPool2d`	Применяет двумерный степенной средний пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.LPPool3d`	Применяет трехмерный степенной средний пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveMaxPool1d`	Применяет адаптивный одномерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveMaxPool2d`	Применяет адаптивный двумерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveMaxPool3d`	Применяет адаптивный трехмерный максимальный пулинг к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveAvgPool1d`	Применяет адаптивный одномерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveAvgPool2d`	Применяет адаптивный двумерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.
`pooling.AdaptiveAvgPool3d`	Применяет адаптивный трехмерный пулинг со средним значением к входному сигналу, состоящему из нескольких входных плоскостей.

Слои дополнения (псевдонимы)

`padding.ReflectionPad1d`	Дополняет входной тензор, отражая границы входных данных.
`padding.ReflectionPad2d`	Дополняет входной тензор, отражая границы входных данных.
`padding.ReflectionPad3d`	Дополняет входной тензор, отражая границы входных данных.
`padding.ReplicationPad1d`	Дополняет входной тензор, повторяя значения на границах входных данных.
`padding.ReplicationPad2d`	Дополняет входной тензор, повторяя значения на границах входных данных.
`padding.ReplicationPad3d`	Дополняет входной тензор, повторяя значения на границах входных данных.
`padding.ZeroPad1d`	Дополняет границы входного тензора нулями.
`padding.ZeroPad2d`	Дополняет границы входного тензора нулями.
`padding.ZeroPad3d`	Дополняет границы входного тензора нулями.
`padding.ConstantPad1d`	Дополняет границы входного тензора постоянным значением.
`padding.ConstantPad2d`	Дополняет границы входного тензора постоянным значением.
`padding.ConstantPad3d`	Дополняет границы входного тензора постоянным значением.
`padding.CircularPad1d`	Дополняет входной тензор циклическим способом, используя значения с противоположных границ входных данных.
`padding.CircularPad2d`	Дополняет входной тензор циклическим способом, используя значения с противоположных границ входных данных.
`padding.CircularPad3d`	Дополняет входной тензор циклическим способом, используя значения с противоположных границ входных данных.

Нелинейные функции активации (взвешенная сумма, нелинейность) (псевдонимы)

`activation.ELU`	Поэлементно применяет функцию экспоненциальной линейной единицы (ELU).
`activation.Hardshrink`	Поэлементно применяет функцию жесткого сжатия (Hardshrink).
`activation.Hardsigmoid`	Поэлементно применяет функцию Hardsigmoid.
`activation.Hardtanh`	Поэлементно применяет функцию HardTanh.
`activation.Hardswish`	Поэлементно применяет функцию Hardswish.
`activation.LeakyReLU`	Поэлементно применяет функцию LeakyReLU.
`activation.LogSigmoid`	Поэлементно применяет функцию Logsigmoid.
`activation.MultiheadAttention`	Позволяет модели совместно учитывать информацию из различных подпространств представлений.
`activation.PReLU`	Поэлементно применяет функцию PReLU.
`activation.ReLU`	Поэлементно применяет функцию выпрямленной линейной единицы.
`activation.ReLU6`	Поэлементно применяет функцию ReLU6.
`activation.RReLU`	Поэлементно применяет функцию рандомизированной Leaky ReLU.
`activation.SELU`	Поэлементно применяет функцию SELU.
`activation.CELU`	Поэлементно применяет функцию CELU.
`activation.GELU`	Применяет функцию гауссовых линейных единиц.
`activation.Sigmoid`	Поэлементно применяет функцию Sigmoid.
`activation.SiLU`	Поэлементно применяет функцию сигмоидальной линейной единицы (SiLU).
`activation.Mish`	Поэлементно применяет функцию Mish.
`activation.Softplus`	Поэлементно применяет функцию Softplus.
`activation.Softshrink`	Поэлементно применяет функцию мягкого сжатия.
`activation.Softsign`	Поэлементно применяет функцию Softsign.
`activation.Tanh`	Поэлементно применяет функцию гиперболического тангенса (Tanh).
`activation.Tanhshrink`	Поэлементно применяет функцию Tanhshrink.
`activation.Threshold`	Применяет пороговое преобразование к каждому элементу входного тензора.
`activation.GLU`	Применяет функцию управляемой линейной единицы.

Нелинейные функции активации (другие) (псевдонимы)

`activation.Softmin`	Применяет функцию Softmin к n-мерному входному тензору.
`activation.Softmax`	Применяет функцию Softmax к n-мерному входному тензору.
`activation.Softmax2d`	Применяет SoftMax к признакам в каждой пространственной точке.
`activation.LogSoftmax`	Применяет функцию $\log(\text{Softmax}(x))$ к n-мерному входному тензору.
`adaptive.AdaptiveLogSoftmaxWithLoss`	Эффективное приближение Softmax.

Слои нормализации (псевдонимы)

`batchnorm.BatchNorm1d`	Выполняет пакетную нормализацию входных данных размерности 2 или 3.
`batchnorm.BatchNorm2d`	Выполняет пакетную нормализацию входных данных размерности 4.
`batchnorm.BatchNorm3d`	Выполняет пакетную нормализацию входных данных размерности 5.
`batchnorm.LazyBatchNorm1d`	Модуль `torch.nn.BatchNorm1d` с отложенной инициализацией.
`batchnorm.LazyBatchNorm2d`	Модуль `torch.nn.BatchNorm2d` с отложенной инициализацией.
`batchnorm.LazyBatchNorm3d`	Модуль `torch.nn.BatchNorm3d` с отложенной инициализацией.
`normalization.GroupNorm`	Выполняет групповую нормализацию мини-пакета входных данных.
`batchnorm.SyncBatchNorm`	Выполняет пакетную нормализацию входных данных размерности N.
`instancenorm.InstanceNorm1d`	Выполняет нормализацию экземпляров.
`instancenorm.InstanceNorm2d`	Выполняет нормализацию экземпляров.
`instancenorm.InstanceNorm3d`	Выполняет нормализацию экземпляров.
`instancenorm.LazyInstanceNorm1d`	Модуль `torch.nn.InstanceNorm1d` с отложенной инициализацией аргумента `num_features`.
`instancenorm.LazyInstanceNorm2d`	Модуль `torch.nn.InstanceNorm2d` с отложенной инициализацией аргумента `num_features`.
`instancenorm.LazyInstanceNorm3d`	Модуль `torch.nn.InstanceNorm3d` с отложенной инициализацией аргумента `num_features`.
`normalization.LayerNorm`	Выполняет послойную нормализацию мини-пакета входных данных.
`normalization.LocalResponseNorm`	Выполняет локальную нормализацию отклика входного сигнала.
`normalization.RMSNorm`	Выполняет послойную нормализацию по среднеквадратичному значению мини-пакета входных данных.

Рекуррентные слои (псевдонимы)

`rnn.RNNBase`	Базовый класс модулей RNN (RNN, LSTM, GRU).
`rnn.RNN`	Применяет к входной последовательности многослойную рекуррентную нейронную сеть Элмана с нелинейностью $\tanh$ или $\text{ReLU}$ .
`rnn.LSTM`	Применяет к входной последовательности многослойную рекуррентную нейронную сеть с долговременной краткосрочной памятью (LSTM).
`rnn.GRU`	Применяет к входной последовательности многослойную рекуррентную нейронную сеть с управляемыми рекуррентными блоками (GRU).
`rnn.RNNCell`	Ячейка рекуррентной нейронной сети Элмана с нелинейностью tanh или ReLU.
`rnn.LSTMCell`	Ячейка с долговременной краткосрочной памятью (LSTM).
`rnn.GRUCell`	Ячейка с управляемыми рекуррентными блоками (GRU).

Слои трансформера (псевдонимы)

`transformer.Transformer`	Базовый слой трансформера.
`transformer.TransformerEncoder`	TransformerEncoder представляет собой стек из N слоёв кодировщика.
`transformer.TransformerDecoder`	TransformerDecoder представляет собой стек из N слоёв декодировщика.
`transformer.TransformerEncoderLayer`	TransformerEncoderLayer состоит из слоя самовнимания и нейронной сети прямого распространения.
`transformer.TransformerDecoderLayer`	TransformerDecoderLayer состоит из слоя самовнимания, слоя многоголового внимания и нейронной сети прямого распространения.

Линейные слои (псевдонимы)

`linear.Identity`	Заглушка для тождественного оператора, не зависящего от аргументов.
`linear.Linear`	Применяет к входным данным аффинное линейное преобразование: $y = xA^T + b$ .
`linear.Bilinear`	Применяет к входным данным билинейное преобразование: $y = x_1^T A x_2 + b$ .
`linear.LazyLinear`	Модуль `torch.nn.Linear`, в котором определяется `in_features`.

Слои прореживания (псевдонимы)

`dropout.Dropout`	Во время обучения случайным образом обнуляет некоторые элементы входного тензора с вероятностью `p`.
`dropout.Dropout1d`	Случайным образом обнуляет целые каналы.
`dropout.Dropout2d`	Случайным образом обнуляет целые каналы.
`dropout.Dropout3d`	Случайным образом обнуляет целые каналы.
`dropout.AlphaDropout`	Применяет альфа-прореживание к входным данным.
`dropout.FeatureAlphaDropout`	Случайным образом маскирует целые каналы.

Разреженные слои (псевдонимы)

`sparse.Embedding`	Простая таблица поиска, в которой хранятся эмбеддинги фиксированного словаря и размера.
`sparse.EmbeddingBag`	Вычисляет суммы или средние значения для «мешков» эмбеддингов, не создавая промежуточные эмбеддинги.

Функции расстояния (псевдонимы)

`distance.CosineSimilarity`	Возвращает косинусное сходство между $x_1$ и $x_2$ , вычисленное вдоль `dim`.
`distance.PairwiseDistance`	Вычисляет попарное расстояние между входными векторами или между столбцами входных матриц.

Функции потерь (псевдонимы)

`loss.L1Loss`	Создаёт функцию потерь, вычисляющую среднюю абсолютную ошибку (MAE) между каждым элементом входных данных $x$ и целевыми данными $y$ .
`loss.MSELoss`	Создаёт функцию потерь, вычисляющую среднеквадратичную ошибку (квадрат нормы L2) между каждым элементом входных данных $x$ и целевыми данными $y$ .
`loss.CrossEntropyLoss`	Эта функция потерь вычисляет кросс-энтропию между входными логитами и целевыми данными.
`loss.CTCLoss`	Функция потерь Connectionist Temporal Classification (CTC).
`loss.NLLLoss`	Функция потерь по отрицательному логарифму правдоподобия.
`loss.PoissonNLLLoss`	Функция потерь по отрицательному логарифму правдоподобия с распределением Пуассона для целевых данных.
`loss.GaussianNLLLoss`	Функция потерь по отрицательному логарифму правдоподобия с распределением Гаусса.
`loss.KLDivLoss`	Функция потерь, основанная на дивергенции Кульбака — Лейблера.
`loss.BCELoss`	Создаёт функцию потерь, вычисляющую бинарную кросс-энтропию между целевыми данными и входными вероятностями:
`loss.BCEWithLogitsLoss`	Эта функция потерь объединяет слой `Sigmoid` и `BCELoss` в одном классе.
`loss.MarginRankingLoss`	Создаёт функцию потерь для входных данных $x1$ , $x2$ — мини-пакета из двух одномерных или нульмерных `Tensors` — и метки $y$ , представляющей собой одномерный мини-пакет или нульмерный `Tensor` (содержащий 1 или -1).
`loss.HingeEmbeddingLoss`	Вычисляет потери по входному тензору $x$ и тензору меток $y$ (содержащему 1 или -1).
`loss.MultiLabelMarginLoss`	Создаёт функцию потерь, оптимизирующую многоклассовую шарнирную функцию потерь (основанную на отступе) между входными данными $x$ (двумерным мини-пакетом `Tensor`) и выходными данными $y$ (двумерным `Tensor` индексов целевых классов).
`loss.HuberLoss`	Создаёт функцию потерь, использующую квадратичный член, если абсолютная поэлементная ошибка меньше delta, и член L1, масштабированный на delta, в противном случае.
`loss.SmoothL1Loss`	Создаёт функцию потерь, использующую квадратичный член, если абсолютная поэлементная ошибка меньше beta, и член L1 в противном случае.
`loss.SoftMarginLoss`	Создаёт функцию потерь, оптимизирующую логистические потери для классификации на два класса между входным тензором $x$ и целевым тензором $y$ (содержащим 1 или -1).
`loss.MultiLabelSoftMarginLoss`	Создаёт функцию потерь, оптимизирующую потери «один против всех» для нескольких меток на основе максимальной энтропии между входными данными $x$ и целевыми данными $y$ размера $(N, C)$ .
`loss.CosineEmbeddingLoss`	Создаёт функцию потерь для входных тензоров $x_1$ , $x_2$ и метки `Tensor` $y$ со значениями 1 или -1.
`loss.MultiMarginLoss`	Создаёт функцию потерь, оптимизирующую многоклассовую шарнирную функцию потерь (основанную на отступе) между входными данными $x$ (двумерным мини-пакетом `Tensor`) и выходными данными $y$ (одномерным тензором индексов целевых классов, $0 \leq y \leq \text{x.size}(1)-1$ ):
`loss.TripletMarginLoss`	Создаёт функцию потерь для триплетов по входным тензорам $x1$ , $x2$ , $x3$ и отступу со значением больше $0$ .
`loss.TripletMarginWithDistanceLoss`	Создаёт функцию потерь для триплетов по входным тензорам $a$ , $p$ и $n$ (соответственно представляющих опорный, положительный и отрицательный примеры), а также неотрицательной вещественной функции («функции расстояния»), используемой для вычисления взаимосвязи между опорным и положительным примерами («положительное расстояние») и между опорным и отрицательным примерами («отрицательное расстояние»).

Слои обработки изображений (псевдонимы)

`pixelshuffle.PixelShuffle`	Переставляет элементы тензора в соответствии с коэффициентом масштабирования.
`pixelshuffle.PixelUnshuffle`	Выполняет обратную операцию PixelShuffle.
`upsampling.Upsample`	Увеличивает разрешение заданных многоканальных одномерных (временных), двумерных (пространственных) или трёхмерных (объёмных) данных.
`upsampling.UpsamplingNearest2d`	Применяет двумерное увеличение разрешения методом ближайшего соседа к входному сигналу, состоящему из нескольких каналов.
`upsampling.UpsamplingBilinear2d`	Применяет двумерное билинейное увеличение разрешения к входному сигналу, состоящему из нескольких каналов.

Слои перестановки (псевдонимы)

channelshuffle.ChannelShuffle

Разделяет и переставляет каналы в тензоре.

torch.nn.modules.utils

torch.nn.modules.utils.consume_prefix_in_state_dict_if_present(state_dict, prefix) [исходный код]

Удаляет префикс из state_dict на месте, если он есть.

Примечание

Локальная модель может загрузить state_dict модели DP/DDP, предварительно применив consume_prefix_in_state_dict_if_present(state_dict, “module.”) перед вызовом torch.nn.Module.load_state_dict().

Параметры:

state_dict (OrderedDict) – state-dict, который нужно загрузить в модель.
prefix (str) – префикс.

torch.nn.utils

Ниже перечислены псевдонимы соответствующих объектов из torch.nn.utils во вложенных пространствах имён.

Вспомогательные функции для ограничения градиентов параметров.

`clip_grad.clip_grad_norm_`	Ограничивает норму градиента итерируемой последовательности параметров.
`clip_grad.clip_grad_norm`	Ограничивает норму градиента итерируемой последовательности параметров.
`clip_grad.clip_grad_value_`	Ограничивает градиенты итерируемой последовательности параметров заданным значением.

Вспомогательные функции для преобразования параметров Module в один вектор и обратно.

`convert_parameters.parameters_to_vector`	Преобразует итерируемую последовательность параметров в один вектор.
`convert_parameters.vector_to_parameters`	Копирует срезы вектора в итерируемую последовательность параметров.

Вспомогательные функции для объединения модулей с модулями BatchNorm.

`fusion.fuse_conv_bn_eval`	Объединяет свёрточный модуль и модуль BatchNorm в один новый свёрточный модуль.
`fusion.fuse_conv_bn_weights`	Объединяет параметры свёрточного модуля и модуля BatchNorm в параметры нового свёрточного модуля.
`fusion.fuse_linear_bn_eval`	Объединяет линейный модуль и модуль BatchNorm в один новый линейный модуль.
`fusion.fuse_linear_bn_weights`	Объединяет параметры линейного модуля и модуля BatchNorm в параметры нового линейного модуля.

Вспомогательные функции для преобразования форматов памяти параметров Module.

`memory_format.convert_conv2d_weight_memory_format`	Преобразует `memory_format` `nn.Conv2d.weight` в `memory_format`.
`memory_format.convert_conv3d_weight_memory_format`	Преобразует `memory_format` `nn.Conv3d.weight` в `memory_format`. Преобразование рекурсивно применяется к вложенным `nn.Module`, включая `module`.

Вспомогательные функции для применения и удаления нормализации весов параметров Module.

`weight_norm.weight_norm`	Применяет нормализацию весов к параметру указанного модуля.
`weight_norm.remove_weight_norm`	Удаляет параметризацию нормализации весов из модуля.
`spectral_norm.spectral_norm`	Применяет спектральную нормализацию к параметру указанного модуля.
`spectral_norm.remove_spectral_norm`	Удаляет параметризацию спектральной нормализации из модуля.

Вспомогательные функции для инициализации параметров Module.

init.skip_init

Создаёт экземпляр класса модуля с заданными аргументами и именованными аргументами, не инициализируя параметры и буферы.

© 2026, PyTorch Contributors
PyTorch has a BSD-style license, as found in the LICENSE file.
https://docs.pytorch.org/docs/2.14/nn.aliases.html