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 nn
class 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 F
def 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 nn
class 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 F
def 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 nn
class 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 F
def my_model(input_tensor):
output_tensor = torch.matmul(input_tensor, weight.t()) + bias
return 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。
6. 小结
torch.nn 和 torch.nn.functional 在定义神经网络组件、应用激活函数和计算损失等方面存在显著的区别。torch.nn 提供了一种面向对象的方式来构建模型，而 torch.nn.functional 则提供了一种更灵活、更函数式的方式来执行相同的操作。
