PyTorch教程23.8之API

23.8.1。班級(jí)

d2l.torch類(lèi) 。AdditiveAttention ( num_hiddens , dropout , ** kwargs )[來(lái)源]

基地：Module

額外的關(guān)注。

在第 11.3.2.2 節(jié)中定義

轉(zhuǎn)發(fā)（查詢(xún)、鍵、值、 valid_lens）[來(lái)源]

定義每次調(diào)用時(shí)執(zhí)行的計(jì)算。

應(yīng)該被所有子類(lèi)覆蓋。

筆記

盡管前向傳遞的配方需要在此函數(shù)中定義，但應(yīng)該Module在之后調(diào)用實(shí)例而不是這個(gè)，因?yàn)榍罢哓?fù)責(zé)運(yùn)行已注冊(cè)的鉤子，而后者默默地忽略它們。

培訓(xùn)：布爾

?

d2l.torch類(lèi) 。AddNorm ( norm_shape , dropout )[來(lái)源]

基地：Module

殘差連接之后是層歸一化。

在第 11.7.2 節(jié)中定義

向前( X , Y )[來(lái)源]

定義每次調(diào)用時(shí)執(zhí)行的計(jì)算。

應(yīng)該被所有子類(lèi)覆蓋。

筆記

盡管前向傳遞的配方需要在此函數(shù)中定義，但應(yīng)該Module在之后調(diào)用實(shí)例而不是這個(gè)，因?yàn)榍罢哓?fù)責(zé)運(yùn)行已注冊(cè)的鉤子，而后者默默地忽略它們。

培訓(xùn)：布爾

?

d2l.torch類(lèi) 。注意力解碼器[來(lái)源]

基地：Decoder

基于注意力的解碼器接口。

在第 11.4 節(jié)中定義

屬性 attention_weights

?

培訓(xùn)：布爾

?

d2l.torch類(lèi) 。分類(lèi)器（plot_train_per_epoch = 2， plot_valid_per_epoch = 1）[來(lái)源]

基地：Module

分類(lèi)模型的基類(lèi)。

在第 4.3 節(jié)中定義

準(zhǔn)確性（Y_hat， Y，平均= True）[來(lái)源]

計(jì)算正確預(yù)測(cè)的數(shù)量。

在第 4.3 節(jié)中定義

layer_summary ( X_shape )[來(lái)源]

在第 7.6 節(jié)中定義

損失( Y_hat , Y ,平均= True )[來(lái)源]

在第 4.5 節(jié)中定義

培訓(xùn)：布爾

?

驗(yàn)證步驟（批處理）[來(lái)源]

?

d2l.torch類(lèi) 。DataModule ( root = '../data' , num_workers = 4 )[來(lái)源]

基地：HyperParameters

數(shù)據(jù)的基類(lèi)。

在第 3.2.2 節(jié)中定義

get_dataloader（火車(chē)）[來(lái)源]

?

get_tensorloader（張量，火車(chē)，指數(shù)=切片（0， 無(wú)， 無(wú)））[來(lái)源]

在第 3.3 節(jié)中定義

火車(chē)數(shù)據(jù)加載器（）[來(lái)源]

?

val_dataloader ( )[來(lái)源]

?

d2l.torch類(lèi) 。解碼器[來(lái)源]

基地：Module

編碼器-解碼器架構(gòu)的基本解碼器接口。

在第 10.6 節(jié)中定義

前向（X，狀態(tài)）[來(lái)源]

定義每次調(diào)用時(shí)執(zhí)行的計(jì)算。

應(yīng)該被所有子類(lèi)覆蓋。

筆記

盡管前向傳遞的配方需要在此函數(shù)中定義，但應(yīng)該Module在之后調(diào)用實(shí)例而不是這個(gè)，因?yàn)榍罢哓?fù)責(zé)運(yùn)行已注冊(cè)的鉤子，而后者默默地忽略它們。

init_state ( enc_all_outputs , * args