当前位置：首页 > news >正文

PyTorch使用教程(6)一文讲清楚torch.nn和torch.nn.functional的区别

news 2025/7/19 18:03:07

torch.nn 和 torch.nn.functional 在 PyTorch 中都是用于构建神经网络的重要组件，但它们在设计理念、使用方式和功能上存在一些显著的区别。以下是关于这两个模块的详细区别：

1. 继承方式与结构

torch.nn

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，包含了神经网络的各种层（如卷积层、全连接层等）和其他组件（如损失函数、优化器等）。
torch.nn 中的模块可以包含可训练参数，如权重和偏置，这些参数在训练过程中会被优化。

torch.nn.functional

torch.nn.functional 中的函数是直接调用的，无需实例化。这些函数通常用于执行各种非线性操作、损失函数计算、激活函数应用等。
torch.nn.functional 中的函数没有可训练参数，它们只是执行操作并返回结果。

2. 实现方式与调用方式

torch.nn

torch.nn 中的模块是基于面向对象的方法实现的。开发者需要创建类的实例，并在类的 forward 方法中定义数据的前向传播路径。
torch.nn 中的模块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。

torch.nn.functional

torch.nn.functional 中的函数是基于函数式编程实现的。它们提供了灵活的接口，允许开发者以函数调用的方式轻松定制和扩展神经网络架构。
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。

3. 使用场景与优势

torch.nn

torch.nn 更适合用于定义有状态的模块，如包含可训练参数的层。
当定义具有变量参数的层时（如卷积层、全连接层等），torch.nn 会帮助初始化好变量，并且模型类本身就是 nn.Module 的实例，看起来会更加协调统一。
torch.nn 可以结合 nn.Sequential 来简化模型的构建过程。

torch.nn.functional

torch.nn.functional 中的函数相比 torch.nn 更偏底层，封装性不高但透明度很高。开发者可以在其基础上定义出自己想要的功能。
使用 torch.nn.functional 可以更方便地进行函数组合、复用等操作，适合那些喜欢使用函数式编程风格的开发者。当激活函数只需要在前向传播中使用时，使用 torch.nn.functional 中的激活函数会更加简洁。

4. 权重与参数管理

torch.nn

torch.nn 中的模块会自动管理权重和偏置等参数，这些参数可以通过 model.parameters() 方法获取，并用于优化算法的训练。

torch.nn.functional

torch.nn.functional 中的函数不直接管理权重和偏置等参数。如果需要使用这些参数，开发者需要在函数外部定义并初始化它们，然后将它们作为参数传入函数中。

5.举例说明

例子1：定义卷积层

使用 torch.nn

import torch.nn as nnclass MyConvNet(nn.Module):def __init__(self):super(MyConvNet, self).__init__()self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1)def forward(self, x):x = self.conv1(x)return x# 实例化模型
model = MyConvNet()# 传入输入数据
input_tensor = torch.randn(1, 1, 32, 32)
output_tensor = model(input_tensor)

使用 torch.nn.functional

import torch.nn.functional as Fdef my_conv_net(input_tensor, weight, bias=None):output_tensor = F.conv2d(input_tensor, weight, bias=bias, stride=1, padding=1)return output_tensor# 定义卷积核的权重和偏置
weight = nn.Parameter(torch.randn(16, 1, 3, 3))
bias = nn.Parameter(torch.randn(16))# 传入输入数据
input_tensor = torch.randn(1, 1, 32, 32)
output_tensor = my_conv_net(input_tensor, weight, bias)

在这个例子中，使用 torch.nn 定义了一个包含卷积层的模型类，而使用 torch.nn.functional 则是通过函数直接进行卷积操作。注意在使用 torch.nn.functional 时，需要手动定义和传递卷积核的权重和偏置。

例子2：应用激活函数

使用 torch.nn

import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.relu = nn.ReLU()def forward(self, x):x = self.relu(x)return x# 实例化模型
model = MyModel()# 传入输入数据
input_tensor = torch.randn(1, 10)
output_tensor = model(input_tensor)

使用 torch.nn.functional

import torch.nn.functional as Fdef my_model(input_tensor):output_tensor = F.relu(input_tensor)return output_tensor# 传入输入数据
input_tensor = torch.randn(1, 10)
output_tensor = my_model(input_tensor)

在这个例子中，使用 torch.nn 定义了一个包含 ReLU 激活函数的模型类，而使用 torch.nn.functional 则是通过函数直接应用 ReLU 激活函数。

例子3：定义和计算损失

使用 torch.nn

import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.linear = nn.Linear(10, 2)def forward(self, x):x = self.linear(x)return x# 实例化模型
model = MyModel()# 定义损失函数
criterion = nn.CrossEntropyLoss()# 传入输入数据和标签
input_tensor = torch.randn(1, 10)
target = torch.tensor()# 前向传播和计算损失
output_tensor = model(input_tensor)
loss = criterion(output_tensor, target)

使用 torch.nn.functional

import torch.nn.functional as Fdef my_model(input_tensor):output_tensor = torch.matmul(input_tensor, weight.t()) + biasreturn output_tensor# 定义权重和偏置
weight = nn.Parameter(torch.randn(10, 2))
bias = nn.Parameter(torch.randn(2))# 定义损失函数
criterion = nn.CrossEntropyLoss()# 传入输入数据和标签
input_tensor = torch.randn(1, 10)
target = torch.tensor()# 前向传播和计算损失
output_tensor = my_model(input_tensor)
loss = criterion(output_tensor, target)

在这个例子中，使用 torch.nn 定义了一个包含全连接层的模型类，并使用了 torch.nn 中的损失函数来计算损失。而使用 torch.nn.functional 则是通过函数直接进行线性变换，并使用 torch.nn 中的损失函数来计算损失。注意在使用 torch.nn.functional 时，需要手动定义和传递权重和偏置。