PyTorch中的nn.functional（）与nn.sequential（）之间是否存在任何计算效率差异

Question

以下是使用PyTorch中的nn.functional（）模块的前馈网络

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

以下是使用nn.sequential（）模块本质上构建相同对象的相同前馈。两者之间有什么区别？我什么时候可以使用一个而不是另一个？

input_size = 784
hidden_sizes = [128, 64]
output_size = 10

建立前馈网络

 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)

Answer 1

两者之间没有区别。后者可以说更简洁，更容易编写，而纯（即非有状态）函数（如ReLU和Sigmoid的“目标”版本的原因是允许它们在{{1 }}。