PyTorch教程23.8之API

23.8.1。班級

d2l.torch類 。AdditiveAttention ( num_hiddens , dropout , ** kwargs )[來源]

基地：Module

額外的關注。

在第 11.3.2.2 節中定義

轉發（查詢、鍵、值、 valid_lens）[來源]

定義每次調用時執行的計算。

應該被所有子類覆蓋。

筆記

盡管前向傳遞的配方需要在此函數中定義，但應該Module在之后調用實例而不是這個，因為前者負責運行已注冊的鉤子，而后者默默地忽略它們。

培訓：布爾

?

d2l.torch類 。AddNorm ( norm_shape , dropout )[來源]

基地：Module

殘差連接之后是層歸一化。

在第 11.7.2 節中定義

向前( X , Y )[來源]

定義每次調用時執行的計算。

應該被所有子類覆蓋。

筆記

盡管前向傳遞的配方需要在此函數中定義，但應該Module在之后調用實例而不是這個，因為前者負責運行已注冊的鉤子，而后者默默地忽略它們。

培訓：布爾

?

d2l.torch類 。注意力解碼器[來源]

基地：Decoder

基于注意力的解碼器接口。

在第 11.4 節中定義

屬性 attention_weights

?

培訓：布爾

?

d2l.torch類 。分類器（plot_train_per_epoch = 2， plot_valid_per_epoch = 1）[來源]

基地：Module

分類模型的基類。

在第 4.3 節中定義

準確性（Y_hat， Y，平均= True）[來源]

計算正確預測的數量。

在第 4.3 節中定義

layer_summary ( X_shape )[來源]

在第 7.6 節中定義

損失( Y_hat , Y ,平均= True )[來源]

在第 4.5 節中定義

培訓：布爾

?

驗證步驟（批處理）[來源]

?

d2l.torch類 。DataModule ( root = '../data' , num_workers = 4 )[來源]

基地：HyperParameters

數據的基類。

在第 3.2.2 節中定義

get_dataloader（火車）[來源]

?

get_tensorloader（張量，火車，指數=切片（0， 無， 無））[來源]

在第 3.3 節中定義

火車數據加載器（）[來源]

?

val_dataloader ( )[來源]

?

d2l.torch類 。解碼器[來源]

基地：Module

編碼器-解碼器架構的基本解碼器接口。

在第 10.6 節中定義

前向（X，狀態）[來源]

定義每次調用時執行的計算。

應該被所有子類覆蓋。

筆記

盡管前向傳遞的配方需要在此函數中定義，但應該Module在之后調用實例而不是這個，因為前者負責運行已注冊的鉤子，而后者默默地忽略它們。

init_state ( enc_all_outputs , * args