1樓：老實人
上面使用者有糖吃可好 講的已經挺好了，我再插兩句：
在建圖過程中，往往有兩種層，一種含引數、有Variable，如全連線層，卷積層、Batch Normlization層等；另一種不含引數、無Variable，如Pooling層，Relu層，損失函式層等。
閱讀原始碼發現 nn.裡面的是繼承自nn.module 初始化為例項化乙個類，如果含引數，則會幫你初始化好引數。
而nn.functional.裡面則是相當於直接乙個函式控制代碼給你，如果需要引數，則需要你自己輸入引數，且並不會「記住」這個引數。
如果要涉及到引數計算的，那用nn. 裡的；如果不需要涉及更新引數，只是一次性計算，那用nn.functional.裡面的。
2樓：學而時習
可以粗略理解為nn是對func的封裝，nn在func之上。
如果你對C/C++熟悉，那麼就可以理解為乙個是類，乙個是（無全域性變數和靜態區域性變數）函式。類是會包含成員變數的（引數、權重、變數），函式就是一入一出。
3樓：光子重構
各位答主說的還算全面，突然想到乙個例子來說一下 nn.functional 的作用。
有這麼一種情況， 我想行為不同，但引數矩陣相同的兩個 layer 共享引數， 該怎麼做呢？
如果行為相同那就簡單了，直接多次呼叫 nn 裡面的 Module 就好了。
行為不同咋搞呢，比如說，我想讓兩個 dilation 不同但 kernel 相同的 Conv2d 層共享引數，此時 nn.functional 就派上用場了：
import
torch
import
torch.nn
asnn
import
torch.nn.functionalasF
class
Model(nn
.Module
):def
__init__
(self
):super
(Model
,self).
__init__
()self
.weight=nn
.Parameter
(torch
.Tensor(10
,10,3
,3))def
forward
(self,x
):x_1=F
.conv2d(x
,self
.weight
,dilation=1
,padding=1
)x_2=F
.conv2d(x
,self
.weight
,dilation=2
,padding=2
)return
x_1+
x_2這個操作很像 MXNet 裡共享引數的做法。 無奈的是在 MXNet 裡不管行為相同還是不同，都得這麼做， 而 pytorch 的 nn 模組則可以大大方便相同行為層的引數共享。
這個操作會有用的，尤其是做 detection 和 segmentation 的同學。
4樓：
補充一點。nn.functional中的函式僅僅定義了一些具體的基本操作，不能構成PyTorch中的乙個layer。
當你需要自定義一些非標準layer時，可以在其中呼叫nn.functional中的操作。
pytorch與tensorflow未來哪乙個會佔據更大的使用者群體？
HetingJian pytorch永遠滴神，對於初學者半個小時就能寫個CNN還要啥自行車，我是完全從不會入手的pytorch，就簡單的功能來說對新手太友好遼。 破圓的角 這麼說吧。很久沒用tf，2.0出來的時候用colab玩了一下。我人傻了。推薦用顯式的檢測錯誤的方式來檢測epoch的結束。確實我...
pytorch中，相同的batchsize，多GPU會比單GPU快多少？雙路能是單路的兩倍嗎？
張懷文 相同的batchsize,多gpu會不會比單卡快都是個問題。我遇到過多卡時候，每個卡頻率撞牆的問題，甚至比單卡慢。就是快的時候，也不會有N張卡，提速N倍的能力。多卡並行相關程式的開銷 多卡策略的開銷都不小。 勒布朗詹姆斯哈登 不會，pytorch有很多計算都是只在第一塊卡上進行的。而且如果雙...
PyTorch與TensorFlow 2 x各有什麼優勢？
雄立東方 我就想問，為啥tf2.3 的tensor轉成numpy這麼難！這麼難！這麼難！官方說的.numpy 壓根不能用啊！ 松鼠打不過袋鼠 之前覺得tensorflow優勢在於部署，尤其是伺服器端，現在發現pytorch伺服器端的torchserve越做越好了，基本可以滿足快速部署的需求。如果是嵌...