这篇文章将为大家详细讲解有关PyTorch之nn.ReLU与F.ReLU的区别是什么，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
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
通过对比可以发现，in_place操作之后，原操作数等于表达式计算结果。也就是说将计算结果赋给了原操作数。
二、不能使用in-place的情况
对于 requires_grad=True 的 叶子张量(leaf tensor) 不能使用 inplace operation
对于在 求梯度阶段需要用到的张量 不能使用 inplace operation
关于PyTorch之nn.ReLU与F.ReLU的区别是什么就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
