python-3.x - PyTorch 中的 nn.functional() 与 nn.sequential() 之间是否存在计算效率差异

Question

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

以下是使用 nn.sequential() 模块构建相同事物的相同前馈。两者有什么区别，我什么时候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，以及像 ReLU 这样的纯(即无状态)函数的“客观”版本的原因。和 Sigmoid是允许它们在像 nn.Sequential 这样的结构中使用.