方法汇总

根据 PyTorch 的模块化设计和官方文档，其方法可分类统计如下表所示。需注意：PyTorch 的方法数量庞大且持续更新，不同层级（如核心算子、模块封装、工具库）的统计口径不同。以下数据综合了核心模块、扩展库（如 TorchVision）及关键子系统的分类方法数，基于最新实践整理：

分类名称	方法数	说明
核心张量操作	2198+	PyTorch 核心算子总数（含 ATen 库）8
神经网络构建	150+	覆盖层类型、损失函数、激活函数等（如`nn.Linear`, `nn.CrossEntropyLoss`）
优化器算法	9+	主要优化器（如 SGD、Adam、Adagrad）及学习率调度器6
数据增强	25+	TorchVision 的`transforms` 模块方法（如裁剪、旋转、标准化）237
模型部署与量化	4+	量化方法（动态/静态/QAT/混合量化）1
编译器与加速	50+	PyTorch 2.0 编译器相关操作符（如 TorchInductor 的 Loop-Level IR）8

核心张量操作（2198+）
- 包含所有基础张量运算（如数学计算、形状变换、索引），覆盖 CPU/GPU 操作。ATen 库作为后端核心提供约 750 个基础算子，而用户可直接调用的 API 封装后总数超 2198 个8。
神经网络构建（150+）
- torch.nn 模块提供：
  - 层类型：卷积、线性、池化等约 30 种；
  - 损失函数：交叉熵、均方误差等 10 余种；
  - 激活函数：ReLU、Sigmoid 等 8 种；
  - 容器类：Sequential、ModuleList 等 5 种。
优化器算法（9+）
- torch.optim 包含主流优化器：SGD、Adam、RMSprop、Adagrad 等 9 种基础算法，及配套学习率调度器（如 StepLR、CosineAnnealingLR）6。
数据增强（25+）
- TorchVision 的 transforms 提供 22 个标准方法（分 4 类：裁剪、翻转、图像变换、增强控制），另有扩展类（如 RandomElastic）用于医学图像等场景27。
模型部署与量化（4+）
- 量化方法：动态量化、静态量化（PTQ）、量化感知训练（QAT）、混合量化（FX）1；
- 部署工具：TorchScript、ONNX 导出等。
编译器与加速（50+）
- PyTorch 2.0 编译器栈（Dynamo + TorchInductor）使用约 50 个 Loop-Level IR 操作符，支持动态形状编译8。

总计方法数：约 2500+（不含重复和间接调用）。
统计说明：
- 核心算子（2198）与模块封装方法（如 nn、optim）存在重叠；
- 部分方法（如 autograd 自定义函数）未计入分类统计；
- TorchText、TorchAudio 等扩展库未包含在内。

精彩教程