PyTorch 中 nn.Module 与 nn.functional 的区别
哪些公司问过
答案要点
- nn.Module 是类,实例化后持有参数、buffer 和子模块,并记录 train/eval 状态
- nn.functional 是无状态的函数接口,权重等参数需要调用方显式传入
- Module 的 forward 通常封装了对应的 F 函数,例如 nn.Conv2d 调用 F.conv2d
- Module 自动注册的参数可被 parameters()、to(device)、state_dict 统一管理
- 有参数的层用 Module,ReLU、池化等无状态操作可用 F,dropout 需手动传 training 标志
易错点
- 在 forward 里临时创建 nn.Linear 等层,参数不会被优化器管理,也会每次重新初始化
- F.dropout 默认 training=True,忘记传 self.training 会导致推理时仍随机丢弃
- 把权重存成普通 Tensor 属性而不是 Parameter,导致 to(device) 和 state_dict 都不包含它
面试官常见追问
- 如果用 F.conv2d 自己写层,参数该怎么管理?
- register_buffer 和 nn.Parameter 有什么区别?
- 为什么调用 model(x) 而不是 model.forward(x)?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。