跳转至

函数式API参考

Genesis操作的函数式接口 - 神经网络操作的无状态函数。

核心函数

激活函数

  • F.relu(x) - ReLU激活
  • F.softmax(x, dim=-1) - Softmax
  • F.gelu(x) - GELU激活

损失函数

  • F.mse_loss(input, target) - 均方误差
  • F.cross_entropy(input, target) - 交叉熵损失

卷积操作

  • F.conv2d(input, weight, bias) - 2D卷积
  • F.linear(input, weight, bias) - 线性变换

张量操作函数

sort(input, dim=-1, descending=False, stable=False)

沿维度排序元素。

Python
values, indices = genesis.sort(tensor, dim=1, descending=False)

参数: - input: 输入张量 - dim: 排序的维度 - descending: 如果为True，降序排序 - stable: 如果为True，稳定排序（保持相等元素的顺序）

返回: (值, 索引) 张量元组

topk(input, k, dim=-1, largest=True, sorted=True)

返回沿维度的k个最大/最小元素。

Python
values, indices = genesis.topk(tensor, k=3, dim=1, largest=True)

参数: - input: 输入张量 - k: 返回的top值数量 - dim: 查找top-k值的维度 - largest: 如果为True，返回最大值；如果为False，返回最小值 - sorted: 如果为True，返回排序后的值

返回: (值, 索引) 张量元组

argsort(input, dim=-1, descending=False)

返回沿维度排序张量的索引。

Python
indices = genesis.argsort(tensor, dim=1, descending=False)

参数: - input: 输入张量 - dim: 排序的维度 - descending: 如果为True，降序排序

返回: 索引张量

gather(input, dim, index)

沿由index指定的轴收集值。

Python
output = genesis.gather(tensor, dim=1, index=indices)

参数: - input: 输入张量 - dim: 收集的维度 - index: 与输入具有相同维数的索引张量

返回: 包含收集值的张量

scatter_add(input, dim, index, src)

将src中的值添加到input在index指定位置处。

Python
genesis.scatter_add(tensor, dim=1, index=indices, src=values)

参数: - input: 输入张量（就地修改） - dim: 散布的维度 - index: 索引张量 - src: 包含要添加值的源张量

返回: 修改后的输入张量

bincount(input, weights=None, minlength=0)

统计整数张量中每个值的出现次数。

Python
counts = genesis.bincount(tensor, minlength=10)

参数: - input: 1D整数张量 - weights: 可选的权重张量 - minlength: 输出的最小长度

返回: 包含计数的张量

实用函数

allclose(input, other, rtol=1e-05, atol=1e-08, equal_nan=False)

测试输入和其他张量的所有元素是否接近。

Python
result = genesis.allclose(tensor1, tensor2, rtol=1e-5, atol=1e-8)

参数: - input: 第一个张量 - other: 第二个张量 - rtol: 相对容差 - atol: 绝对容差 - equal_nan: 是否将NaN值视为相等

返回: 布尔标量张量

张量验证函数

isinf(input)

测试每个元素是否为无穷大（正无穷或负无穷）。

Python
inf_mask = genesis.isinf(tensor)

参数: - input: 输入张量

返回: 与输入形状相同的布尔张量

isnan(input)

测试每个元素是否为NaN（非数值）。

Python
nan_mask = genesis.isnan(tensor)

参数: - input: 输入张量

返回: 与输入形状相同的布尔张量

isfinite(input)

测试每个元素是否为有限值（非无穷且非NaN）。

Python
finite_mask = genesis.isfinite(tensor)

参数: - input: 输入张量

返回: 与输入形状相同的布尔张量

分布式训练函数

genesis.distributed.init_process_group(backend, world_size, rank)

初始化分布式进程组。

Python
import genesis.distributed as dist
dist.init_process_group(backend='nccl', world_size=2, rank=0)

参数: - backend: 通信后端（'nccl' 用于GPU） - world_size: 进程总数 - rank: 当前进程的rank

genesis.distributed.DistributedDataParallel(model, device_ids=None)

分布式数据并行包装器。

Python
ddp_model = dist.DistributedDataParallel(model, device_ids=[0])

参数: - model: 要包装的模型 - device_ids: GPU设备ID列表

返回: DDP包装的模型

创建函数

eye(n, m=None, device=None, dtype=genesis.float32)

生成单位矩阵。

Python
identity = genesis.eye(5)  # 5x5单位矩阵
rect_matrix = genesis.eye(3, 5)  # 3x5矩阵

ones_like(tensor, dtype=None, device=None)

生成与输入形状相同的全1张量。

Python
ones_tensor = genesis.ones_like(input_tensor)

from_numpy(array, device=None, dtype=None)

从numpy数组创建张量。

Python
np_array = np.array([1, 2, 3])
tensor = genesis.from_numpy(np_array)

此参考涵盖了主要的函数式操作。完整的API详情请参阅源码文档。