Pytorch中torch.nn.conv2d和torch.nn.functional.conv2d的区别_nn.conv2d nn.functional.conv2d-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_45561795/article/details/109727240

本文探讨了Pytorch中torch.nn.conv2d与torch.nn.functional.conv2d的区别，包括它们的实现方式、调用方式及在nn.Sequential中的使用差异。nn.Conv2d是一个类，用于构建模型，而nn.functional.conv2d是纯函数，适用于直接操作。nn模块的组件可以用于构建复杂的网络结构，而functional模块更适合单独操作。在使用Dropout时，nn模块的灵活性更优，因为其会根据model.eval()自动调整状态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

你是否和我有同样疑惑，pytorch中怎么会有卷积、激活、池化等操作，虽然不在同一个包下面，那他们的区别究竟是什么，今天我们就来捋一捋这个问题。

区别一

正如我们知道的这些看似相同的卷积、激活、池化等操作，分别在不同的包下面—— torch.nn.xxx 和 torch.nn.functional.xxx包，那么他的作用和完成的方式以及调用的方式当然也不一样。

首先我们来看一下pytorch中文文档

![在这里插入图片描述](https://img-blog.csdnimg.cn/20201116190922981.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGV

细心的朋友已经发现了，nn.Conv2d 是一个类，而 nn.functional.conv2d更像是一个函数。具体地说就是：

nn.Conv2d可以狭隘的理解为Class类，需要继承自nn.Module nn.Module 类
nn.functional 中的函数更像是纯函数，由 def function(input，，) 定义

区别二

调用torch.nn.xxx 时要先在里面传入超参数，然后再将数据以函数调用的方式传入 nn.xxx
torch.nn.functional需要同时传入数据和额外参数

# torch.nn——需要先设定超参数in_channels、out_channels、kernel_size等
inputs =  torch.randn(64, 3, 512, 512)
self.conv1 = nn.Conv2d(in_channels=64, out_channels=128 kernel_size=5, strides=2, padding=1)
outputs = self.conv(inputs)

# torch.nn.functional——需要同时传入inputs和 weight，bias等参数
inputs =  torch.randn(64, 3, 512, 512)
weight = torch.randn(64, 3, 3, 3)
bias = torch.randn(