PyTorch 中 nn.functional() 与 nn.sequential() 之间是否存在任何计算效率差异

Question

下面是使用PyTorchnn.functional()模块的前馈网络

import torch.nn as nn
import torch.nn.functional as F

class newNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64,10)

    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = F.softmax(self.fc3(x))
        return x

model = newNetwork()
model

以下是使用 nn.sequential() 模块构建相同事物的相同前馈。两者之间有什么区别？我什么时候应该使用一个而不是另一个？

input_size = 784
hidden_sizes = [128, 64]
output_size = 10

构建前馈网络

 model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[0], hidden_sizes[1]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[1], output_size),
                      nn.Softmax(dim=1))
    print(model)

Answer 1

两者没有区别。后者可以说更简洁、更容易编写，"objective" 版本的纯（即无状态）函数如 ReLU 和 Sigmoid 的原因是允许它们在像 nn.Sequential.

PyTorch 中 nn.functional() 与 nn.sequential() 之间是否存在任何计算效率差异

Are there any computational efficiency differences between nn.functional() Vs nn.sequential() in PyTorch

neural-network

python-3.x

deep-learning

pytorch

tensor

构建前馈网络