PYTORCH文档
PyTorch documentation — PyTorch master documentation
PyTorch是一个使用GPU和CPU进行深度学习的优化张量库。
本文档中描述的功能按版本状态分类:
稳定:这些功能将被长期维护,并且在文档中通常不应该有重大的性能限制或缺口。我们还希望保持向后兼容性(虽然突破性的变化可能会发生,通知将提前一个版本)。
测试版:这些功能被标记为测试版,因为API可能会根据用户反馈而改变,因为性能需要改进,或者因为跨运营商的覆盖范围尚未完成。对于测试版特性,我们承诺将该特性进行稳定分类。然而,我们并不承诺向后兼容。
原型:这些特性通常不作为PyPI或Conda等二进制发行版的一部分提供,除了有时在运行时标志后面,并且处于反馈和测试的早期阶段。
社区
- PyTorch治理|构建+ CI
- PyTorch投稿指南
- PyTorch设计哲学
- PyTorch治理|机制
- PyTorch治理|维护者
开发者笔记
- CUDA自动混合精度示例
- 亲笔签名的力学
- 广播语义学
- CPU线程和TorchScript推断
- CUDA语义
- 分布式数据并行
- 扩展PyTorch
- 用亲笔签名扩展torch.func。功能
- 常见问题
- Gradcheck力学
- HIP (ROCm)语义
- 适用于大规模部署的功能
- 模块
- MPS后端
- 多重处理最佳实践
- 数字准确度
- 再现性
- 序列化语义
- Windows常见问题
火炬.编译
- 火炬.编译
- 入门指南
- PyTorch 2.0故障排除
- 常见问题
- 技术概述
- 防护装置概述
- 自定义后端
- 火炬动力更深的潜水
- 国税局
语言绑定
- C++
- Javadoc
- 火炬::部署
Python API
- 火炬
- 张量
- 发电机
- 随机抽样
- 序列化
- 平行
- 局部禁用梯度计算
- 数学运算
- 公用事业
- 符号数字
- 最佳化
- 操作员标签
- 发动机布置
- torch.nn
- 参数
- 未初始化参数
- 未初始化缓冲区
- 容器
- 卷积层
- 池层
- 填充层
- 非线性激活(加权和、非线性)
- 非线性激活(其他)
- 标准化图层
- 循环层
- 变压器层
- 线性图层
- 脱落层
- 稀疏层
- 距离函数
- 损失函数
- 视觉层
- 无序播放图层
- 数据并行层(多GPU、分布式)
- 公用事业
- 量化函数
- 惰性模块初始化
- 火炬. nn .功能
- 卷积函数
- 池功能
- 注意机制
- 非线性激活函数
- 线性函数
- 压差函数
- 稀疏函数
- 距离函数
- 损失函数
- 视觉功能
- 数据并行功能(多GPU、分布式)
- 火炬。张量
- 数据类型
- 初始化和基本操作
- 张量类引用
- 张量属性
- torch.dtype
- 手电筒.设备
- 火炬.布局
- 火炬.记忆_格式
- 张量视图
- 手电筒
- 自动铸造
- 梯度缩放
- 自动预测工序参考
- 火炬,亲笔签名
- 火炬,亲笔签名,向后
- 火炬,亲笔签名,毕业生
- 正向模式自动微分
- 功能性高级API
- 局部禁用梯度计算
- 默认渐变布局
- 张量的就地运算
- 变量(已弃用)
- 张量自动签名函数
- 功能
- 上下文方法混合
- 数字梯度检验
- 仿形铣床
- 异常检测
- 亲笔签名的图表
- 火炬.图书馆
- 火炬. cuda
- 流上下文
- torch . cuda . can _设备_访问_对等
- torch.cuda.current_blas_handle
- 火炬. cuda.current_device
- 火炬. cuda.current_stream
- 火炬. cuda.default_stream
- 设备
- 火炬. cuda .设备_计数
- 设备_of
- torch.cuda.get_arch_list
- torch . cuda . get _ device _ capacity
- torch.cuda.get_device_name
- torch . cuda . get _设备_属性
- torch.cuda.get_gencode_flags
- 火炬. cuda.get_sync_debug_mode
- 火炬. cuda.init
- torch . cuda . IPC _收集
- torch . cuda . is _可用
- torch.cuda.is_initialized
- torch.cuda.memory _ usage用法
- torch . cuda . set _设备
- torch.cuda.set_stream
- 火炬. cuda.set_sync_debug_mode
- 火炬. cuda.stream
- torch.cuda.synchronize
- 火炬. cuda .利用
- 火炬. cuda .温度
- torch.cuda.power_draw
- 火炬. cuda.clock_rate
- torch . cuda . out of memory错误
- 随机数发生器
- 通信集体
- 流和事件
- 图表(测试版)
- 内存管理
- NVIDIA工具扩展(NVTX)
- Jiterator (beta)
- 蒸汽消毒剂(原型)
- 火炬. mps
- torch.mps.synchronize
- torch.mps.get_rng_state
- torch.mps.set_rng_state
- torch.mps.manual_seed
- 火炬. mps.seed
- torch.mps.empty_cache
- 火炬. MPs . set _ per _ process _ memory _ fraction
- torch . MPs . current _ allocated _内存
- torch . MPs . driver _ allocated _内存
- 火炬.后端
- 火炬.后端. cuda
- 火炬.后端. cudnn
- torch.backends.mps
- torch.backends.mkl
- torch.backends.mkldnn
- torch.backends.openmp
- torch.backends.opt_einsum
- 火炬.后端.至强
- 火炬.分布式
- 后端
- 基础
- 初始化
- 初始化后
- 分布式键值存储
- 组
- 点对点通信
- 同步和异步集合操作
- 集体职能
- 剖析集体交流
- 多GPU集合函数
- 第三方后端
- 启动实用程序
- 产卵工具
- 排除故障torch.distributed应用程序
- 伐木
- 火炬.分布式.算法.加入
- 火炬.分布式.弹性
- 开始
- 证明文件
- 火炬.分布式. fsdp
- 火炬.分布式. optim
- 火炬.分布式.张量.并行
- 火炬.分布式.检查点
- 火炬.分发
- 得分函数
- 路径导数
- 分配
- 指数族
- 伯努利
- 贝塔
- 二项式
- 绝对的
- 柯西
- Chi2
- 连续伯努利
- 狄利克雷的
- 指数的
- 渔民协会
- 微克
- 几何学的
- 冈贝尔
- 哈夫柯西
- 半正常
- 自主的
- 库马拉斯瓦米
- LKJCholesky
- 拉普拉斯(侯爵)
- 对数正态的
- LowRankMultivariateNormal
- mixture同一个家庭
- 多项式
- 多元常态
- 消极经济
- 常态
- OneHotCategorical
- 帕累托理论及方法的
- 泊松
- 松弛的伯努利
- LogitRelaxedBernoulli
- 松弛的
- 学生t
- 变形分布
- 制服
- 冯米斯
- (统计学家)威伯尔(或韦布尔)
- 威沙特
- KL散度
- 转换
- 限制
- 约束注册表
- 火炬。_发电机
- torch.fft
- 快速傅立叶变换
- 助手功能
- 火炬.功能
- 什么是可组合函数转换?
- 为什么是可组合函数转换?
- 阅读更多
- 火炬未来
- torch.fx
- 概观
- 编写转换
- 排除故障
- 符号追踪的局限性
- API参考
- 火炬中心
- 发布模型
- 从中心加载模型
- torch.jit
- TorchScript语言参考
- 创建TorchScript代码
- 混合跟踪和脚本
- 火炬文字语言
- 内置函数和模块
- 排除故障
- 常见问题
- 已知问题
- 附录
- torch.linalg
- 矩阵属性
- 分解
- 解决者(solver的复数形式)
- 逆序
- 矩阵函数
- 矩阵产品
- 张量运算
- 混杂的
- 实验功能
- 火炬.监视器
- API参考
- 火炬信号
- 手电筒.信号.窗户
- 火炬.特别
- 功能
- 火炬.覆盖
- 功能
- 火炬.包装
- 教程
- 我如何…
- 说明
- API参考
- torch.profiler
- 概观
- API参考
- 英特尔仪器与跟踪技术API
- 火炬. nn.init
- torch.onnx
- 例如:从PyTorch到ONNX的AlexNet
- 跟踪与脚本
- 避免陷阱
- 限制
- 添加对操作员的支持
- 常见问题
- 贡献/发展
- 功能
- 班级
- 预览:torch.onnx TorchDynamo导出器
- torch.onnx诊断
- 概观
- 诊断规则
- API参考
- 火炬. optim
- 如何使用优化器
- 基础类
- 算法
- 如何调整学习速度
- 随机加权平均
- 复数
- 创建复杂张量
- 从旧的表示法过渡
- 访问真实图像和图像
- 角度和abs
- 线性代数
- 序列化
- 亲笔签名
- DDP通信挂钩
- 如何使用通信挂钩?
- 一个通信钩子是如何工作的?
- 默认通信挂钩
- PowerSGD通信挂钩
- 调试通信挂钩
- 通信挂钩的检查点
- 承认
- 流水线并行性
- 使用多个GPU模拟并行性
- 流水线执行
- PyTorch中的管道API
- 教程
- 承认
- 量化
- 量子化介绍
- 量化API摘要
- 量化堆栈
- 量化支持矩阵
- 量化API参考
- 量化后端配置
- 量化精度调试
- 量化定制
- 最佳实践
- 常见问题
- 常见错误
- 分布式RPC框架
- 基础
- 位置遥控(remote position control)
- RRef
- 远程模块
- 分布式自动签名框架
- 分布式优化器
- 设计笔记
- 教程
- 火炬.随机
- 火炬,蒙面
- 介绍
- 支持的运算符
- 火炬.嵌套
- 介绍
- 建筑
- 大小
- 解放
- 嵌套张量构造函数和转换函数
- 支持的操作
- 火炬。稀疏
- 为什么以及何时使用稀疏度
- 功能概述
- 操作员概述
- 稀疏首席运营官张量
- 稀疏压缩张量
- 支持的操作
- 火炬。储存;储备
- 火炬测试
- torch.utils .基准
- torch.utils .瓶颈
- torch.utils.checkpoint
- torch.utils.cpp_extension
- torch.utils.data
- 数据集类型
- 数据加载顺序和Sampler
- 加载批处理和非批处理数据
- 单进程和多进程数据加载
- 内存锁定
- torch.utils.jit
- torch.utils.dlpack
- torch.utils.mobile_optimizer
- torch.utils.model_zoo
- torch.utils.tensorboard
- 类型信息
- torch.finfo
- torch.iinfo
- 名为张量
- 创建命名张量
- 命名维度
- 名称传播语义
- 按名称显式对齐
- 操纵尺寸
- 亲笔签名的支持
- 当前支持的操作和子系统
- 命名张量API参考
- 命名张量算子覆盖
- 保留输入名称
- 删除维度
- 统一输入的名称
- 允许尺寸
- 合同使人变得暗淡
- 工厂功能
- 外部函数和就地变量
- 火炬。__配置_ _
图书馆
- 火炬报
- 火炬数据
- 托尔切克
- 火炬服务
- 火炬报
- 火炬视觉
- XLA设备上的PyTorch
索引和表格
- 索引