【问题标题】：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。

标签： python-3.x neural-network deep-learning pytorch tensor

【解决方案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