nn.relu和F.rulu的区别_代码007(未授权)

本文介绍: 在PyTorch中,nn.X都有对应的函数版本F.X，但是并不是所有的F.X均可以用于 forward或其它代码段中，因为当网络模型训练完毕存储 model时，forward中的F.X函数中的参数是无法保存的。也就是说，在forward中，使用的F.X函数一般均没有状态参数。nn.ReLU()创建一个 nn.Mod ul e，这意味着你可以添加到nn.Sequenti al中。而nn.function al.relu只是对 relu 函数API的调用。一般来说，用模块还是简单的函数调用，取决于你的编码风格。

先来看看 nn.ReLU的源码，可以看到其实在forward中nn.relu是调用了F.relu函数的：

class ReLU(Module):
    r"""Applies the rectified linear unit function element-wise:

    :math:`text{ReLU}(x) = (x)^+ = max(0, x)`

    Args:
        inplace: can optionally do the operation in-place. Default: ``False``

    Shape:
        - Input: :math:`(*)`, where :math:`*` means any number of dimensions.
        - Output: :math:`(*)`, same shape as the input.

    .. image:: ../scripts/activation_images/ReLU.png

    Examples::

        &gt;&gt;&gt; m = nn.ReLU()
        &gt;&gt;&gt; input = torch.randn(2)
        >>> output = m(input)


      An implementation of CReLU - https://arxiv.org/abs/1603.05201

        >>> m = nn.ReLU()
        >>> input = torch.randn(2).unsqueeze(0)
        >>> output = torch.cat((m(input),m(-input)))
    """
    __constants__ = ['inplace']
    inplace: bool

    def __init__(self, inplace: bool = False):
        super(ReLU, self).__init__()
        self.inplace = inplace

    def forward(self, input: Tensor) -> Tensor:
        return F.relu(input, inplace=self.inplace)

    def extra_repr(self) -> str:
        inplace_str = 'inplace=True' if self.inplace else ''
        return inplace_str

nn.ReLU()创建一个nn.Mod ule，这意味着你可以添加到nn.Sequential中。而nn.functional.relu只是对 relu 函数API的调用。一般来说，用模块还是简单的函数调用，取决于你的编码风格。
在PyTorch中,nn.X都有对应的函数版本F.X，但是并不是所有的F.X均可以用于for war d或其它代码段中，因为当网络模型训练完毕存储 model时，for war d中的F.X函数中的参数是无法保存的。也就是说，在for war d中，使用的F.X函数一般均没有状态参数。