nn.Sequential

在PyTorch中，nn.Sequential是一个容器模块，它按照它们在构造函数中传递的顺序包含一系列的子模块。nn.Sequential使得模型的构建更加简洁和直观，特别是当你的模型由一系列层顺序堆叠而成时。

功能

nn.Sequential自动将输入数据通过其包含的子模块进行传递。这意味着你不需要显式地编写前向传播逻辑，只需要定义模型的层次结构即可。

使用方法

你可以通过两种方式使用nn.Sequential：

1. 直接在构造函数中定义子模块： 你可以在创建nn.Sequential实例时，直接在构造函数中按顺序传递子模块。

Python复制

import torch.nn as nnmodel = nn.Sequential(nn.Linear(10, 5),nn.ReLU(),nn.Linear(5, 2)
)

2. 动态添加子模块： 你也可以在创建nn.Sequential实例后，动态地添加子模块。

Python复制

model = nn.Sequential()
model.add_module("linear1", nn.Linear(10, 5))
model.add_module("relu1", nn.ReLU())
model.add_module("linear2", nn.Linear(5, 2))

示例

下面是一个使用nn.Sequential构建简单神经网络的示例：

Python复制

import torch
import torch.nn as nn# 创建一个nn.Sequential实例
model = nn.Sequential(nn.Linear(5, 3),  # 将5维输入映射到3维输出nn.ReLU(),        # 应用ReLU激活函数nn.Linear(3, 2)   # 将3维输入映射到2维输出
)# 创建一个随机生成的输入向量（批次大小为1，5个特征）
input_vector = torch.randn(1, 5)# 前向传播
output_vector = model(input_vector)print("输入向量:", input_vector)
print("输出向量:", output_vector)

在这个示例中，我们创建了一个包含两个线性层和一个ReLU激活层的顺序模型。输入向量首先通过第一个线性层，然后通过ReLU激活层，最后通过第二个线性层，得到输出向量。

优点

1. 代码简洁：nn.Sequential使得模型的构建更加简洁和直观，特别是对于顺序堆叠的层。
2. 易于理解：模型的结构清晰明了，易于理解和维护。
3. 灵活性：虽然nn.Sequential主要用于顺序堆叠的层，但它也可以与其他容器模块（如nn.ModuleList、nn.ModuleDict等）一起使用，以构建更复杂的模型。

nn.Sequential是PyTorch中构建顺序模型的便捷工具，它简化了模型的构建过程，使得代码更加简洁和易于理解。