nn.Module与nn.functional

大部分nn中的层class都有nn.function对应，其区别是：

• nn.Module实现的layer是由class Layer(nn.Module)定义的特殊类，会自动提取可学习参数nn.Parameter
• nn.functional中的函数更像是纯函数，由def function(input)定义。

由于两者性能差异不大，所以具体使用取决于个人喜好。对于激活函数和池化层，由于没有可学习参数，一般使用nn.functional完成，其他的有学习参数的部分则使用类。但是Droupout由于在训练和测试时操作不同，所以建议使用nn.Module实现，它能够通过model.eval加以区分。

一、nn.functional函数基本使用

1 2 3 4 5 6 7 8 9 10 11 12 13

import torch as t import torch.nn as nn from torch.autograd import Variable as V input_ = V(t.randn(2, 3)) model = nn.Linear(3, 4) output1 = model(input_) output2 = nn.functional.linear(input_, model.weight, model.bias) print(output1 == output2) b1 = nn.functional.relu(input_) b2 = nn.ReLU()(input_) print(b1 == b2)

二、搭配使用nn.Module和nn.functional

并不是什么难事，之前有接触过，nn.functional不需要放入__init__进行构造，所以不具有可学习参数的部分可以使用nn.functional进行代替。

 『PyTorch』第四弹_通过LeNet初识pytorch神经网络_下

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

# Author : Hellcat # Time   : 2018/2/11    import torch as t import torch.nn as nn import torch.nn.functional as F    class LeNet(nn.Module):     def __init__(self):         super(LeNet,self).__init__()         self.conv1 = nn.Conv2d(3, 6, 5)         self.conv2 = nn.Conv2d(6,16,5)         self.fc1 = nn.Linear(16*5*5,120)         self.fc2 = nn.Linear(120,84)         self.fc3 = nn.Linear(84,10)        def forward(self,x):         x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))         x = F.max_pool2d(F.relu(self.conv2(x)),2)         x = x.view(x.size()[0], -1)         x = F.relu(self.fc1(x))         x = F.relu(self.fc2(x))         x = self.fc3(x)         return x

三、nn.functional函数构造nn.Module类

两者主要的区别就是对于可学习参数nn.Parameter的识别能力，所以构造时添加了识别能力即可。

『PyTorch』第七弹_nn.Module扩展层

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

class Linear(nn.Module):     def __init__(self, in_features, out_features):         # nn.Module.__init__(self)         super(Linear, self).__init__()         self.w = nn.Parameter(t.randn(out_features, in_features))  # nn.Parameter是特殊Variable         self.b = nn.Parameter(t.randn(out_features))     def forward(self, x):         # wx+b         return F.linear(x, self.w, self.b) layer = Linear(4, 3) input = V(t.randn(2, 4)) output = layer(input) print(output)

Variable containing:
 1.7498 -0.8839  0.5314
-2.4863 -0.6442  1.1036
[torch.FloatTensor of size 2x3]