区别
PyTorch中torch.nn与torch.nn.functional的区别是:1.继承方式不同;2.可训练参数不同;3.实现方式不同;4.调用方式不同。
1.继承方式不同
torch.nn 中的模块大多数是通过继承torch.nn.Module 类来实现的,这些模块都是Python 类,需要进行实例化才能使用。而torch.nn.functional 中的函数是直接调用的,无需实例化.
2.可训练参数不同
torch.nn 中的模块可以包含可训练参数,可以使用model.parameters() 方法获取所有的可训练参数,用于优化算法的训练。而torch.nn.functional 中的函数没有可训练参数。
3.实现方式不同
torch.nn 中的模块是基于面向对象的方法实现的,而torch.nn.functional 中的函数是基于函数式编程实现的。因此,使用torch.nn.functional 可以更方便地进行函数组合、复用等操作,而torch.nn 则更适合用于定义有状态的模块。
4.调用方式不同
torch.nn 中的模块是通过类的实例进行调用,通常需要先创建模型实例,再将输入数据传入模型中进行前向计算。而torch.nn.functional 中的函数可以直接调用,只需要将输入数据传入函数中即可进行前向计算。
总之,torch.nn 和torch.nn.functional 都是用于构建神经网络模型的模块,但其实现方式、调用方式、可训练参数等方面有所不同。使用时需要根据具体需求选择合适的模块和函数
联系:
torch.nn的类会在forward()方法中调用torch.nn.functional的函数,所以可以理解为nn模块中的方法是对nn.functional模块中方法的更高层的封装。
如何选择:
1. 何时选择torch.nn在定义深度神经网络的layer时推荐使用nn模块。
一是因为当定义有变量参数的层时(比如conv2d, linear, batch_norm),nn模块会帮助我们初始化好变量,而我们只需要传入一些参数;
二是因为model类本身是nn.Module,看起来会比较协调统一;
三是因为可以结合nn.Sequential。
四是当使用dropout时推荐使用nn模块,因为可以在测试阶段通过eval()方法方便地关闭dropout。
2. 何时选择torch.nn.functional
nn.functional中的函数相比nn更偏底层,所以虽然封装性不高,但透明度很高,可以在其基础上定义出自己想要的功能
参考博文: