PyTorch的nn.nn与nn.functional虽然功能相似，如卷积和dropout，但在调用和使用上有所不同。nn是类接口，包含属性和方法，如weight，而functional是函数接口。nn.Module与nn.functional的主要区别在于调用方式，nn.Module需要实例化并传入参数，而functional直接使用。nn.Module更适合与torch.nn组合，适合有学习参数的层，而functional适用于无学习参数的层或灵活性更高的场景。对于dropout，推荐在训练阶段使用nn.Dropout，因为它在eval模式下会关闭dropout，而functional方式不会。
两者的相同之处：
nn.Xxx和nn.functional.xxx的实际功能是相同的，即nn.Conv2d和nn.functional.conv2d都是进行卷积，nn.Dropout和nn.functional.dropout都是进行dropout，。。。。。；- 运行效率也是近乎相同。
nn.functional.xxx是函数接口，而nn.Xxx是nn.functional.xxx的类封装，并且nn.Xxx都继承于一个共同祖先nn.Module。这一点导致nn.Xxx除了具有nn.functional.xxx功能之外，内部附带了nn.Module相关的属性和方法，例如train(), eval(),load_state_dict, state_dict 等。
两者的差别之处：
- 两者的调用方式不同。
nn.Xxx 需要先实例化并传入参数，然后以函数调用的方式调用实例化的对象并传入输入数据。
inputs = torch.rand(64, 3, 244, 244)
conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, padding=1)
out = conv(inp
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
