torch中nn.ReLU和F.ReLU的不同

可以看下面的代码

其实TestNet_1和TestNet_2执行的结果是一样的，但是明显 Relu的位置是不一样的，一个是nn库内的，一个是nn.functional内的

import torch.nn as nn
import torch.nn.functional as F
import torch.nn as nn
 
class TestNet_1(nn.Module):
 
    def __init__(self, num_classes=n):
        super(TestNet_1, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True),
         )
 
    def forward(self, x):
        x = self.features(x)
 
class TestNet_2(nn.Module):
 
    def __init__(self, num_classes=n):
        super(TestNet_2, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1),
            nn.BatchNorm2d(64),
         )
 
    def forward(self, x):
        x = self.features(x)
        x = F.ReLU(x)

不同点在于：
nn.ReLU作为一个层结构，必须添加到nn.Module容器中才能使用，而F.ReLU则作为一个函数调用，看上去作为一个函数调用更方便更简洁。具体使用哪种方式，取决于编程风格。
在PyTorch中,nn.X都有对应的函数版本F.X，但是并不是所有的F.X均可以用于forward或其它代码段中，因为当网络模型训练完毕时，在存储model时，在forward中的F.X函数中的参数是无法保存的。也就是说，在forward中，使用的F.X函数一般均没有状态参数，比如F.ReLU，F.avg_pool2d等，均没有参数，它们可以用在任何代码片段中。

另外nn.ReLU()和nn.ReLU(inplace=True)的不同

参数： inplace-选择是否进行覆盖运算
意思是是否将得到的值计算得到的值覆盖之前的值，比如：
x = x +1
即对原值进行操作，然后将得到的值又直接复制到该值中
而不是覆盖运算的例子如：
y = x + 1
x = y
这样就需要花费内存去多存储一个变量y
即加了inplace=True的relu，能够节省运算内存，不用多存储其他变量