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
import torch as timport torch.nn as nnfrom torch.autograd import Variable as Vinput_ = 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。
# Author : Hellcat# Time : 2018/2/11 import torch as timport torch.nn as nnimport 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。
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]