„PyTorch“ teikia torch.nn modulį, kuris padės mums kurti ir mokyti neuroninį tinklą. Pirmiausia apmokysime pagrindinį neuroninį tinklą MNIST duomenų rinkinyje nenaudodami jokių šių modelių funkcijų. Naudosime tik pagrindines PyTorch tenzorines funkcijas, o po to laipsniškai pridėsime po vieną funkciją iš torch.nn.

torch.nn suteikia mums daug daugiau klasių ir modulių, skirtų neuroniniam tinklui įdiegti ir mokyti.

nn paketą sudaro šie moduliai ir klasės:

Taip ne	Klasė ir modulis	apibūdinimas
1.	deglas.nn.Parametras	Tai tenzoriaus tipas, kuris turi būti laikomas modulio parametru.
2.	Konteineriai
1) degiklis.nn.Modulis	Tai yra pagrindinė visų neuroninio tinklo modulių klasė.
2) fakelas.nn.Nuoseklus	Tai nuoseklus konteineris, kuriame moduliai bus pridedami ta pačia tvarka, kokia jie perduodami konstruktoriuje.
3) torch.nn.ModuleList	Taip submoduliai bus įtraukti į sąrašą.
4) torch.nn.ModuleDict	Tai talpins submodulius kataloge.
5) torch.nn.ParameterList	Tai išsaugos parametrus sąraše.
6) torch.nn.parameterDict	Tai išsaugos parametrus kataloge.
3.	Konvoliucijos sluoksniai
1) torch.nn.Conv1d	Šis paketas bus naudojamas 1D konvoliucijai taikyti įvesties signalui, sudarytam iš kelių įvesties plokštumų.
2) torch.nn.Conv2d	Šis paketas bus naudojamas 2D konvoliucijai pritaikyti įvesties signalui, sudarytam iš kelių įvesties plokštumų.
3) torch.nn.Conv3d	Šis paketas bus naudojamas 3D konvoliucijai pritaikyti įvesties signalui, sudarytam iš kelių įvesties plokštumų.
4) torch.nn.ConvTranspose1d	Šis paketas bus naudojamas 1D transponuotos konvoliucijos operatoriui pritaikyti įvesties vaizdui, sudarytam iš kelių įvesties plokštumų.
5) torch.nn.ConvTranspose2d	Šis paketas bus naudojamas 2D perkeltos konvoliucijos operatoriui pritaikyti įvesties vaizdui, sudarytam iš kelių įvesties plokštumų.
6) torch.nn.ConvTranspose3d	Šis paketas bus naudojamas 3D transponuoto konvoliucijos operatoriui pritaikyti įvesties vaizdui, sudarytam iš kelių įvesties plokštumų.
7) deglas.nn.Išskleisti	Jis naudojamas slankiojantiems vietiniams blokams iš paketinio įvesties tenzoriaus išgauti.
8) deglas.nn.Sulankstyti	Jis naudojamas slankiųjų vietinių blokų masyvai sujungti į didelį turintį tenzorių.
4.	Sujungimo sluoksniai
1) žibintuvėlis.nn.MaxPool1d	Jis naudojamas 1D max telkimui taikyti įvesties signalui, sudarytam iš kelių įvesties plokštumų.
2) žibintuvėlis.nn.MaxPool2d	Jis naudojamas 2D maksimalų telkimą įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
3) torch.nn.MaxPool3d	Jis naudojamas 3D maksimalų telkimą įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
4) degiklis.nn.MaxUnpool1d	Jis naudojamas dalinei MaxPool1d atvirkštinei daliai apskaičiuoti.
5) torch.nn.MaxUnpool2d	Jis naudojamas dalinei MaxPool2d atvirkštinei daliai apskaičiuoti.
6) torch.nn.MaxUnpool3d	Jis naudojamas dalinei MaxPool3d atvirkštinei daliai apskaičiuoti.
7) torch.nn.AvgPool1d	Jis naudojamas 1D vidutiniam sujungimui per įvesties signalą, sudarytą iš kelių įvesties plokštumų.
8) torch.nn.AvgPool2d	Jis naudojamas 2D vidutiniam sujungimui per įvesties signalą, sudarytą iš kelių įvesties plokštumų.
9) torch.nn.AvgPool3d	Jis naudojamas 3D vidutiniam sujungimui per įvesties signalą, sudarytą iš kelių įvesties plokštumų.
10) torch.nn.FractionalMaxPool2d	Jis naudojamas 2D trupmeniniam maksimaliam telkimui įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
11) žibintuvėlis.nn.LPPool1d	Jis naudojamas 1D vidutinės galios sujungimui per įvesties signalą, sudarytą iš kelių įvesties plokštumų.
12) žibintuvėlis.nn.LPPool2d	Jis naudojamas 2D vidutinės galios kaupimui per įvesties signalą, sudarytą iš kelių įvesties plokštumų.
13) torch.nn.AdavtiveMaxPool1d	Jis naudojamas 1D adaptyviam maksimaliam telkimui įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
14) torch.nn.AdavtiveMaxPool2d	Jis naudojamas 2D adaptyviam maksimaliam telkimui įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
15) torch.nn.AdavtiveMaxPool3d	Jis naudojamas 3D adaptyviam maksimaliam telkimui įvesties signalui, sudarytam iš kelių įvesties plokštumų, taikyti.
16) torch.nn.AdavtiveAvgPool1d	Jis naudojamas pritaikyti 1D adaptyvų vidurkį įvesties signalui, sudarytam iš kelių įvesties plokštumų.
17) torch.nn.AdavtiveAvgPool2d	Jis naudojamas pritaikyti 2D adaptyvų vidurkį įvesties signalui, sudarytam iš kelių įvesties plokštumų.
18) torch.nn.AdavtiveAvgPool3d	Jis naudojamas pritaikyti 3D adaptyvų vidurkį įvesties signalui, sudarytam iš kelių įvesties plokštumų.
5.	Paminkštinimo sluoksniai
1) žibintuvėlis.nn.ReflectionPad1d	Jis papildys įvesties tenzorių, naudodamas įvesties ribos atspindį.
2) torch.nn.ReflactionPad2d	Jis papildys įvesties tenzorių, naudodamas įvesties ribos atspindį.
3) torch.nn.ReplicationPad1	Jis papildys įvesties tenzorių, naudodamas įvesties ribos replikaciją.
4) torch.nn.ReplicationPad2d	Jis papildys įvesties tenzorių, naudodamas įvesties ribos replikaciją.
5) torch.nn.ReplicationPad3d	Jis papildys įvesties tenzorių, naudodamas įvesties ribos replikaciją.
6) žibintuvėlis.nn.ZeroPad2d	Įvesties tenzoriaus ribos bus užpildytos nuliu.
7) torch.nn.ConstantPad1d	Jis papildys įvesties tenzoriaus ribas pastovia verte.
8) torch.nn.ConstantPad2d	Jis papildys įvesties tenzoriaus ribas pastovia verte.
9) torch.nn.ConstantPad3d	Jis papildys įvesties tenzoriaus ribas pastovia verte.
6.	Netiesiniai aktyvavimai (svertinė suma, netiesiškumas)
1) deglas.nn.ELU	Jis bus naudojamas taikant elementų funkciją: ELU(x)=maks.(0,x)+min(0,α*(exp(x)-1))
2) deglas.nn.Kietas susitraukiantis	Jis bus naudojamas kietojo susitraukimo funkcijos elementų funkcijai taikyti:
3) degiklis.nn.LeakyReLU	Jis bus naudojamas taikant elementų funkciją: LeakyReLu(x)=maks.(0,x) +neigiamas_nuolydis*min(0,x)
4) degiklis.nn.LogSigmoid	Jis bus naudojamas taikant elementų funkciją:
5) deglas.nn.MultiheadAttention	Jis naudojamas, kad modelis galėtų atsižvelgti į informaciją iš skirtingų vaizdavimo poerdvių
6) deglas.nn.PReLU	Jis bus naudojamas taikant elementų funkciją: PReLU(x)=maks.(0,x)+a*min(0,x)
7) deglas.nn.ReLU	Jis bus naudojamas taikant ištaisytą linijinio vieneto funkcijos elementą: ReLU(x)=maks.(0,x)
8) deglas.nn.ReLU6	Jis bus naudojamas taikant elementų funkciją: ReLU6(x)=min(maks.(0,x),6)
9) deglas.nn.RReLU	Jis bus naudojamas atsitiktinės atrankos nesandariai ištaisytai tiesinio vieneto funkcijai taikyti elementų atžvilgiu, kaip aprašyta dokumente:
10) deglas.nn.SELU	Jis bus naudojamas elementų funkcijai taikyti kaip: SELU(x)=mastas*(maks.(0,x)+ min(0,a*(exp(x)-1))) Čia α = 1,6732632423543772848170429916717 ir skalė = 1,0507009873554804934193349852946.
11) deglas.nn.TARGET	Jis bus naudojamas elementų funkcijai taikyti kaip:
12) žibintuvėlis.nn.Sigmoidas	Jis bus naudojamas elementų funkcijai taikyti kaip:
13) žibintuvėlis.nn.Softplus	Jis bus naudojamas elementų funkcijai taikyti kaip:
14) degiklis.nn.Minkštas susitraukiantis	Jis bus naudojamas švelnaus susitraukimo funkcijos elementams taikyti:
15) torch.nn.Softsign	Jis bus naudojamas elementų funkcijai taikyti kaip:
16) deglas.nn.Tanh	Jis bus naudojamas elementų funkcijai taikyti kaip:
17) deglas.nn.Tanhshrink	Jis bus naudojamas elementų funkcijai taikyti kaip: Tanh susitraukimas(x)=x-Tanh(x)
18) deglas.nn.Slenkstis	Jis bus naudojamas kiekvienam įvesties tensor elementui nustatyti. Slenkstis apibrėžiamas taip:
7.	Netiesinis aktyvinimas (kita)
1) degiklis.nn.Softmin	Jis naudojamas „softmin“ funkcijai pritaikyti n matmenų įvesties „Tensor“, kad būtų pakeistas jų mastelis. Po to n-mačio išvesties tenzoriaus elementai yra diapazone nuo 0, 1 ir suma iki 1. Softmin apibrėžiamas taip:
2) degiklis.nn.Softmax	Jis naudojamas „softmax“ funkcijai pritaikyti n matmenų įvesties „Tensor“, siekiant pakeisti jų mastelį. Po to n-mačio išvesties tenzoriaus elementai yra diapazone nuo 0, 1 ir suma iki 1. Softmax apibrėžiamas taip:
3) degiklis.nn.Softmax2d	Jis naudojamas SoftMax funkcijoms pritaikyti kiekvienai erdvinei vietai.
4) degiklis.nn.LogSoftmax	Jis naudojamas LogSoftmax funkcijai pritaikyti n-mačio įvesties tensoriui. „LofSoftmax“ funkciją galima apibrėžti taip:
5) torch.nn.AdaptiveLogSoftmaxWithLoss	Tai strategija, skirta mokymo modeliams su didelėmis išvesties erdvėmis. Tai labai efektyvu, kai etiketės paskirstymas yra labai nesubalansuotas
8.	Normalizavimo sluoksniai
1) degiklis.nn.BatchNorm1d	Jis naudojamas paketiniam normalizavimui per 2D arba 3D įvestis.
2) degiklis.nn.BatchNorm2d	Jis naudojamas norint taikyti paketinį normalizavimą per 4D.
3) torch.nn.BatchNorm3d	Jis naudojamas paketiniam normalizavimui per 5D įvestis.
4) torch.nn.GroupNorm	Jis naudojamas grupės normalizavimui taikyti mini įvesties paketą.
5) torch.nn.SyncBatchNorm	Jis naudojamas paketiniam normalizavimui n matmenų įvestims taikyti.
6) degiklis.nn.InstanceNorm1d	Jis naudojamas egzemplioriaus normalizavimui taikyti 3D įvestyje.
7) torch.nn.InstanceNorm2d	Jis naudojamas egzemplioriaus normalizavimui per 4D įvestį taikyti.
8) torch.nn.InstanceNorm3d	Jis naudojamas egzemplioriaus normalizavimui taikyti 5D įvestyje.
9) degiklis.nn.LayerNorm	Jis naudojamas sluoksnio normalizavimui taikyti mini įvesties paketą.
10) torch.nn.LocalResponseNorm	Jis naudojamas vietiniam atsako normalizavimui įvesties signalui, sudarytam iš kelių įvesties plokštumų, kur kanalas užima antrąją dimensiją.
9.	Pasikartojantys sluoksniai
1) žibintuvėlis.nn.RNN	Jis naudojamas kelių sluoksnių Elman RNN su tanh arba ReLU netiesiškumu pritaikyti įvesties sekai. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją: ht=tanh(Wjuosxt+bjuos+Whhtt-1+bhh)
2) deglas.nn.LSTM	Jis naudojamas daugiasluoksnės ilgalaikės trumpalaikės atminties (LSTM) RNN pritaikymui įvesties sekai. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją:
3) deglas.nn.GRU	Jis naudojamas daugiasluoksniam pasikartojančiam blokui (GRU) RNN taikyti įvesties sekai. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją:
4) žibintuvėlis.nn.RNNCell	Jis naudojamas Elmano RNN langeliui su tanh arba ReLU netiesiškumu pritaikyti įvesties sekai. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją: h'=tanh(Wjuosx+bjuos+Whhh+bhh) Vietoj tanh naudojamas ReLU
5) torch.nn.LSTMCell	Jis naudojamas ilgalaikės trumpalaikės atminties (LSTM) langeliui pritaikyti įvesties sekai. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją: Kur σ yra sigmoidinė funkcija, o * yra Hadamardo sandauga.
6) deglas.nn.GRUCell	Jis naudojamas įvesties sekai pritaikyti uždarojo pasikartojančio vieneto (GRU) langelį. Kiekvienas sluoksnis kiekvienam įvesties sekos elementui apskaičiuoja šią funkciją:
10.	Linijiniai sluoksniai
1) deglas.nn.Tapatybė	Tai vietos rezervavimo tapatybės operatorius, kuris nejautrus argumentams.
2) deglas.nn.Tiesinis	Jis naudojamas įeinantiems duomenims taikyti tiesinę transformaciją: y=xAT+b
3) žibintuvėlis.nn.Bilinear	Jis naudojamas gaunamiems duomenims pritaikyti bilinijinę transformaciją: y=x1Ax2+b
vienuolika.	Nuleidžiami sluoksniai
1) deglas.nn.Iškritimas	Jis naudojamas neuronų koadaptacijos reguliavimui ir prevencijai. Veiksnys treniruočių metu svarstyklės išeina. Tai reiškia, kad modulis įvertinimo metu apskaičiuoja tapatybės funkciją.
2) deglas.nn.Dropout2d	Jei gretimi elementų žemėlapių pikseliai yra koreliuojami, tada torch.nn.Dropout nesureguliuos aktyvavimų ir sumažins efektyvų mokymosi greitį. Šiuo atveju torch.nn.Dropout2d() naudojamas siekiant skatinti objektų žemėlapių nepriklausomybę.
3) torch.nn.Dropout3d	Jei gretimi elementų žemėlapių pikseliai yra koreliuojami, tada torch.nn.Dropout nesureguliuos aktyvavimų ir sumažins efektyvų mokymosi greitį. Šiuo atveju torch.nn.Dropout2d () naudojamas siekiant skatinti objektų žemėlapių nepriklausomybę.
4) žibintuvėlis.nn.AlphaDropout	Jis naudojamas Alpha Dropout pritaikymui per įvestį. „Alpha Dropout“ yra „Dropout“ tipas, kuris palaiko savaime normalizuojančią savybę.
12.	Reti sluoksniai
1) deglas.nn.Įdėjimas	Jis naudojamas žodžių įterpimui saugoti ir juos gauti naudojant indeksus. Modulio įvestis yra indeksų sąrašas, o išvestis yra atitinkamo žodžio įterpimas.
2) žibintuvėlis.nn.EmbbeddingBag	Jis naudojamas apskaičiuojant įterpimo „maišelių“ sumas arba vidurkį, neatkuriant tarpinio įdėjimo.
13.	Atstumo funkcija
1) deglas.nn.KosinusasPanašumas	Jis grąžins kosinuso panašumą tarp x1 ir x2, apskaičiuotą pagal dim.
2) degiklis.nn.PairwiseDistance	Jis apskaičiuoja paketinį atstumą tarp vektorių v1, v2 naudojant p normą:
14.	Praradimo funkcija
1) deglas.nn.L1Praradimas	Jis naudojamas pagal kriterijų, kuris matuoja vidutinę absoliučią paklaidą tarp kiekvieno įvesties x elemento ir tikslinio y. Nesumažėjusį nuostolį galima apibūdinti taip: l(x,y)=L={l1,...,ln}, ln=|xn- irn|, Kur N yra partijos dydis.
2) deglas.nn.MSELoss	Jis naudojamas kriterijui, kuris matuoja vidutinę kvadratinę paklaidą tarp kiekvieno įvesties elemento x ir tikslinio y. Nesumažėjusį nuostolį galima apibūdinti taip: l(x,y)=L={l1,...,ln}, ln=(xn- irn)2, Kur N yra partijos dydis.
3) torch.nn.CrossEntropyLoss	Šis kriterijus sujungia nn.LogSoftmax() ir nn.NLLLoss() vienoje klasėje. Tai naudinga, kai mokome klasifikavimo problemą su C klasėmis.
4) degiklis.nn.CTCLoss	Connectionist Temporal Classification loss apskaičiuoja nuostolius tarp ištisinės laiko eilutės ir tikslinės sekos.
5) žibintuvėlis.nn.NLLloss	Neigiamas log-tikimybės praradimas naudojamas klasifikavimo problemai lavinti naudojant C klases.
6) deglas.nn.PoissonNLLLoss	Neigiamas log-tikimybės praradimas su Puasono skirstiniu t taikinys~Poisson(input)loss(input,target)=input-target*log(target!)he target.
7) žibintuvėlis.nn.KLDivLoss	Tai naudingas atstumo matas nuolatiniam paskirstymui, taip pat naudingas, kai atliekame tiesioginę regresiją nuolatinio išvesties paskirstymo erdvėje.
8) deglas.nn.BCELoss	Jis naudojamas sukurti kriterijų, kuris matuoja dvejetainę kryžminę entropiją tarp tikslo ir išvesties. Nesumažėjusį nuostolį galima apibūdinti taip: l(x,y)=L={l1,...,ln}, ln=-vn[irn*logxn+ (1 mn)*log(1-xn)], Kur N yra partijos dydis.
9) torch.nn.BCEWithLogitsLoss	Jis sujungia sigmoidinį sluoksnį ir BCELoss vienoje klasėje. Sujungdami operaciją į vieną sluoksnį, galime pasinaudoti log-sum-exp gudrybe siekiant skaitmeninio stabilumo.
10) torch.nn.MarginRankingLoss	Tai sukuria kriterijų, kuris matuoja nurodytų įvesčių x1, x2, dviejų 1D mini paketų tenzorių praradimą ir etiketę 1D mini-batch tensor y, kurioje yra 1 arba -1. Kiekvieno mažos partijos mėginio praradimo funkcija yra tokia: nuostoliai(x,y)=maks.(0,-y*(x1-x2)+marža
11) torch.nn.HingeEmbeddingLoss	HingeEmbeddingLoss matuoja duoto įvesties tenzoriaus x ir etikečių tenzoriaus y, kuriuose yra 1 arba -1, praradimą. Jis naudojamas matuojant, ar dvi įvestys yra panašios, ar nepanašios. Praradimo funkcija apibrėžiama taip:
12) torch.nn.MultiLabelMarginLoss	Jis naudojamas siekiant sukurti kriterijų, kuris optimizuoja kelių klasių kelių klasifikacijų vyrių nuostolius tarp įvesties x ir išvesties y.
13) degiklis.nn.SmoothL1Loss	Jis naudojamas norint sukurti kriterijų, kuris naudoja kvadratą, jei absoliuti elemento paklaida yra mažesnė nei 1, o L1 terminas kitu atveju. Jis taip pat žinomas kaip Huberio praradimas:
14) torch.nn.SoftMarginLoss	Jis naudojamas siekiant sukurti kriterijų, kuris optimizuoja dviejų klasių klasifikavimo logistinius nuostolius tarp įvesties tenzoriaus x ir tikslinio tenzoriaus y, kuriame yra 1 arba -1.
15) torch.nn.MultiLabelSoftMarginLoss	Jis naudojamas siekiant sukurti kriterijų, kuris optimizuoja kelių etikečių „vieno prieš visus“ nuostolius, remiantis maksimalia entropija tarp įvesties x ir tikslinės y dydžio (N, C).
16) torch.nn.CosineEmbeddingLoss	Jis naudojamas norint sukurti kriterijų, kuris matuoja nurodytų įvesties tenzorių x1, x2 praradimą ir tenzoriaus etiketę y su reikšmėmis 1 arba -1. Jis naudojamas matuojant, ar du įėjimai yra panašūs, ar nepanašūs, naudojant kosinuso atstumą.
17) torch.nn.MultiMarginLoss	Jis naudojamas siekiant sukurti kriterijų, kuris optimizuoja kelių klasių klasifikavimo vyrių nuostolius tarp įvesties x ir išvesties y.
18) torch.nn.TripletMarginLoss	Jis naudojamas sukurti kriterijų, kuris matuoja duotų įvesties tenzorių x1, x2, x3 ir paraštės, kurios reikšmė didesnė nei 0, tripleto nuostolius. Jis naudojamas santykiniam mėginių panašumui matuoti. Trigubas susideda iš inkaro, teigiamo pavyzdžio ir neigiamo pavyzdžio. L(a,p,n)=maks{d(ai, pi)-d(ai,ni)+marža,0}
penkiolika.	Regėjimo sluoksniai
1) torch.nn.PixelShuffle	Jis naudojamas elementams perstatyti į formos tenzorį (*, C × r2,H,W) iki formos tenzorio (*,C,H×r,W,r)
2) žibintuvėlis.nn.Pavyzdys	Jis naudojamas tam tikrų kelių kanalų 1D, 2D arba 3D duomenims atrinkti.
3) torch.nn.upsamplingNearest2d	Jis naudojamas taikyti 2D artimiausio kaimyno atranką įvesties signalui, sudarytam iš kelių įvesties kanalų.
4) torch.nn.UpsamplingBilinear2d	Jis naudojamas taikyti 2D bilinijinį atranką įvesties signalui, sudarytam iš kelių įvesties kanalų.
16.	DataParallel sluoksniai (keli GPU, paskirstyti)
1) torch.nn.DataParallel	Jis naudojamas duomenų lygiagretumui įgyvendinti modulio lygiu.
2) torch.nn.DistributedDataParallel	Jis naudojamas paskirstytų duomenų lygiagretumui įgyvendinti, kuris yra pagrįstas paketu torch.distributed modulio lygiu.
3) torch.nn.DistributedDataParallelCPU	Jis naudojamas paskirstytų duomenų lygiagretumui įgyvendinti CPU modulio lygiu.
17.	Komunalinės paslaugos
1) torch.nn.clip_grad_norm_	Jis naudojamas kartojant parametrų gradiento normą.
2) torch.nn.clip_grad_value_	Jis naudojamas norint iškirpti parametrų kartojimo gradiento normą, esant nurodytai vertei.
3) torch.nn.parameters_to_vector	Jis naudojamas parametrams konvertuoti į vieną vektorių.
4) torch.nn.vector_to_parameters	Jis naudojamas vienam vektoriui konvertuoti į parametrus.
5) deglas.nn.svorio_norma	Jis naudojamas svorio normalizavimui pritaikyti tam tikro modulio parametrui.
6) torch.nn.remove_weight_norm	Jis naudojamas svorio normalizavimui ir pakartotiniam parametrų nustatymui pašalinti iš modulio.
7) torch.nn.spectral_norm	Jis naudojamas spektriniam normalizavimui tam tikro modulio parametrui taikyti.
8) torch.nn.PackedSequence	Jis bus naudojamas supakuotos sekos duomenims ir paketų_dydžių sąrašui laikyti.
9) torch.nn.pack_padded_sequence	Jis naudojamas supakuoti Tensor, kuriame yra kintamo ilgio paminkštintos sekos.
10) torch.nn.pad_packed_sequence	Jis naudojamas supakuotai kintamo ilgio sekų partijai užpildyti.
11) torch.nn.pad_sequence	Jis naudojamas kintamo ilgio tenzorių sąrašui užpildyti su užpildymo verte.
12) torch.nn.pack_sequence	Jis naudojamas kintamo ilgio tenzorų sąrašui supakuoti
13) torch.nn.remove_spectral_norm	Jis naudojamas spektriniam normalizavimui ir pakartotiniam parametravimui pašalinti iš modulio.

Nuoroda:

https://pytorch.org/docs/stable/nn.html