PyTorch之nn.ReLU与F.ReLU的区别介绍_Python

我就废话不多说了，大家还是直接看代码吧~

									import torch.nn as nn

									import torch.nn.functional as F

									import torch.nn as nn

									class AlexNet_1(nn.Module):

									  def __init__(self, num_classes=n):

									    super(AlexNet, self).__init__()

									    self.features = nn.Sequential(

									      nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1),

									      nn.BatchNorm2d(64),

									      nn.ReLU(inplace=True),

									     )

									  def forward(self, x):

									    x = self.features(x)

									class AlexNet_2(nn.Module):

									  def __init__(self, num_classes=n):

									    super(AlexNet, self).__init__()

									    self.features = nn.Sequential(

									      nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1),

									      nn.BatchNorm2d(64),

									     )

									  def forward(self, x):

									    x = self.features(x)

									    x = F.ReLU(x)

在如上网络中，AlexNet_1与AlexNet_2实现的结果是一致的，但是可以看到将ReLU层添加到网络有两种不同的实现，即nn.ReLU和F.ReLU两种实现方法。

其中nn.ReLU作为一个层结构，必须添加到nn.Module容器中才能使用，而F.ReLU则作为一个函数调用，看上去作为一个函数调用更方便更简洁。具体使用哪种方式，取决于编程风格。

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forward或其它代码段中，因为当网络模型训练完毕时，在存储model时，在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，比如F.ReLU，F.avg_pool2d等，均没有参数，它们可以用在任何代码片段中。

补充知识：pytorch小知识点——in-place operation

一、什么是in-place

在pytorch的很多函数中经常看到in-place选项，具体是什么意思一直一知半解。这次专门来学习一下，in-place operation在pytorch中是指改变一个tensor的值的时候，不经过复制操作，而是直接在原来的内存上改变它的值。可以把它称为原地操作符。

在pytorch中经常加后缀“_”来代表原地in-place operation，比如说.add_() 或者.scatter()。我们可以将in_place操作简单的理解类似于python中的"+=","-="等操作。

举个例子，下面是正常的加操作，执行结束后x的值没有变化

									import torch

									x = torch.rand(2)

									x

									Out[3]: tensor([0.3486, 0.2924])  #<-----这是x初始值

									y = torch.rand(2)

									y

									Out[5]: tensor([0.6301, 0.0101])  #<-----这是y初始值

									x.add(y)

									Out[6]: tensor([0.9788, 0.3026])   #<-----这是x+y的结果

									x

									Out[7]: tensor([0.3486, 0.2924])  #<-----这是执行操作之后x的值

									y

									Out[8]: tensor([0.6301, 0.0101])   #<-----这是执行操作之后y的值

我们可以发现，在正常操作之后原操作数的值不会发生变化。

下面我们来看看in_place操作

									import torch

									x = torch.rand(2)

									x

									Out[3]: tensor([0.3486, 0.2924])  #<-----这是x初始值

									y = torch.rand(2)

									y

									Out[5]: tensor([0.6301, 0.0101])  #<-----这是y初始值

									x.add_(y)

									Out[9]: tensor([0.9788, 0.3026])  #<-----这是x+y结果

									x

									Out[10]: tensor([0.9788, 0.3026]) #<-----这是操作后x的值

									y

									Out[11]: tensor([0.6301, 0.0101])  #<-----这是操作后y的值