嘿嘿，你晓得吗？深厚度学里有个超级酷的工具，叫nn.functional！它就像深厚度学里的魔法棒，Neng让我们Zuohen许多神奇的事情。今天我就来跟你们聊聊，怎么用这玩意儿魔法棒，飞迅速变成深厚度学细小高大手！

啥是nn.functional？

先说说 我要告诉你们，nn.functional是PyTorch库中的一个模块，它里面有hen许多神奇的函数，Neng帮我们完成深厚度学中的各种核心操作。比如说 我们三天两头要处理的数据填充、裁剪、归一化、计算亏本等等，这些个douNeng用nn.functional里的函数来轻巧松搞定。

例子：用nn.functional计算交叉熵亏本

比如说 我们有一个2行3列的随机flatten数组，叫Zuoinputs，还有一个标签数组，叫Zuotargets。我们想用nn.functional里的cross_entropy函数来计算inputs与targets的交叉熵亏本。代码是这样的：

import torch.nn.functional as F
    import torch
    inputs = torch.Tensor
    softmax_inputs = F.softmax
    print

输出后来啊： tensor(, ])

填充和裁剪数据

我们需要对数据进行填充或者裁剪，使得尺寸巨大细小相同。PyTorch给了padding函数来帮我们完成这玩意儿操作。比如 我们有一个需要填充的数据pad_inputs，在第2个维度上Zuo了padding操作，补0长远度为2，第3个维度没有Zuopadding操作。

constant表示用常数填充，0表示填充的常数为0。

import torch.nn.functional as F
    import torch
    pad_inputs = F.pad, "constant", 0)
    print

输出后来啊： torch.Size

数据归一化

normalize函数Neng够对数据Zuo归一化处理，将数据缩放到0~1范围内。比如说 我们对一个列向量进行softmax操作，Neng这样写：

import torch.nn.functional as F
    import torch
    x = torch.Tensor
    norm_x = F.normalize
    print

输出后来啊： tensor(, ])

用dropout别让过拟合

在深厚度学中，过度拟合是一个非常巨大的问题，dropoutNeng够缓解过度拟合问题。dropout操作会在训练过程中随机将一有些神经元的输出置为0，从而少许些模型对特定数据的依赖。

import torch.nn.functional as F
    import torch
    x = torch.Tensor
    drop_x = F.dropout
    print

输出后来啊： tensor(, ])

优良了今天的深厚度学细小知识就分享到这里啦！希望你们Neng通过nn.functional这玩意儿魔法棒， 轻巧松掌握深厚度学的核心操作技巧，成为深厚度学细小高大手！