PyTorch 中的 nn.functional() 与 nn.sequential() 之间是不是存在计算效率差异
Posted
技术标签:
【中文标题】PyTorch 中的 nn.functional() 与 nn.sequential() 之间是不是存在计算效率差异【英文标题】:Are there any computational efficiency differences between nn.functional() Vs nn.sequential() in PyTorchPyTorch 中的 nn.functional() 与 nn.sequential() 之间是否存在计算效率差异 【发布时间】:2019-05-13 16:50:23 【问题描述】:以下是使用 PyTorch 中的 nn.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
以下是相同的前馈,使用 nn.sequential() 模块基本上构建相同的东西。两者有什么区别,什么时候用一个代替另一个?
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)
【问题讨论】:
@davidvandebunte - 请不要编辑 OP 的代码,尤其是像这样您对代码进行实质性修改的地方(包括缩进和额外的导入)。 @DavidMakogon 抱歉,我只是想进行一些小修改以使其可运行。随时恢复。 【参考方案1】:两者没有区别。后者可以说更简洁,更容易编写,而像 ReLU
和 Sigmoid
这样的纯(即无状态)函数的“客观”版本的原因是允许它们在像 nn.Sequential
这样的结构中使用。
【讨论】:
感谢您富有洞察力的回答以上是关于PyTorch 中的 nn.functional() 与 nn.sequential() 之间是不是存在计算效率差异的主要内容,如果未能解决你的问题,请参考以下文章
Pytorch:为啥在 nn.modules.loss 和 nn.functional 模块中都实现了损失函数?
pytorch笔记:torch.nn.functional.pad
Paddle 和 PyTorch 中 nn.functional.linear 权重转置导致计算不同
PyTorch 1.0 中文文档:torch.nn.functional
Tensorflow / Numpy 中的 torch.nn.functional.grid_sample 等价物是啥?